深度学习——Keras实现线性和非线性回归

在上篇深度学习框架Keras的教程中，我们详细的介绍了Keras中的Sequential和Functional API。也使用Keras的Sequential实现了手写字体的识别。这次的推文中我们继续来看看Keras的简单使用。因为简单，所以这次我们的教程主要是使用Keras来实现机器学习中重要的算法-线性和非线性回归算法。

一、线性回归

线性回归是机器学习领域中常见的算法，该算法试图学习到一个线性模型以尽可能精确的预测出有关输入X的输入Y，或者说精确的建立自变量和观测变量之间的映射关系。好比我们初中阶段学习的：y=kx+b。

二、Keras实现线性回归算法

简单的介绍了线性回归的概念之后我们就来实现这个算法了，不懂线性回归模型的小伙伴自己先补充一些机器学习的知识哈。

这里先复习一下使用Keras中Sequential模型来实现一个构建神经网络模型的步骤:

1. 导入模块并生成数据
2. 建立深度学习模型
3. 激活模型
4. 进行模型的训练
5. 进行模型验证

2.1 先导入相应的模块

import numpy as np

import matplotlib.pyplot as plt
from keras.models import Sequential

from keras.layers import Dense

代码解释:

（1）第一行代码导入numpy，此模块用来产生训练数据集和测试数据集

（2）第二行代码导入画图的模块

（3）第三行代码导入keras中的Sequential API。

（4）第四行代码导入keras中的全连接层（密集层）

2.2 构建数据集

X_data = np.random.rand(200)
noise = np.random.normal(loc=0,scale=0.09,size=X_data.shape)

Y_data = 2*X_data + noise

X_train, Y_train = X_data[:160], Y_data[:160]     # 前160组数据为训练数据集
X_test, Y_test = X_data[160:], Y_data[160:]       # 后40组数据为测试数据集

plt.scatter(X_data,