tensorflow入门笔记（一）单边量线性回归f(x)=ax+b的实现

本文主要讲述了使用tf.keras实现一个简单的单边量线性回归f(x)=ax+b的过程

打开Anaconda，进入tensflow环境，打开JupyterLab

1.查看tensorflow版本的方法

import tensorflow as tf #tensorflow引用方式
print(tf.__version__)  #tensorflow版本

或

import tensorflow as tf 
print('Tensorflow Version:{}'.format(tf.__version__))

运行结果如下：

2.单边量线性回归

单变量线性回归算法f(x)=ax+b（比如，x表示教育水平，y表示收入），映射了输入特征和输出值
（1）读取数据集
使用panadas读取数据集

import pandas as pd
data = pd.read_csv('./Desktop/income2.csv')#读取放置在桌面，名称为income2，格式为csv的文件
dataopen

运行结果如下图：

数据集：可以在Excel中自行输入数据，保存为csv格式的数据集即可，下面是本文所使用的的数据集，任意数据集均可

（2）基于数据集绘图
从上面的数据集我们可以看出，教育水平越高，收入也变得越高，我们可以认为这两者之间有线性关系，这种线性关系可以通过绘图进行认识，我们基于matplotlib进行绘图

import pandas as pd
data = pd.read_csv('./Desktop/income2.csv')

import matplotlib.pyplot as plt 
%matplotlib inline
plt.scatter(data.Education, data.Income)#data.Education为x轴，data.Income为y轴，scatter为散点图

运行结果如下图：

由上图我们可以看到，教育水平和收入近似满足一个线性关系，这个线性关系可以用f(x)=ax+b进行描述。
下面我们需要建立一个预测模型对其进行描述，建立此模型的过程即求解该线性关系的过程，这样我们就建立起了一个简单的机器学习模型
（3）模型建立
预测目标：预测函数f（x）与真实值之间的整体性误差最小，即找到一个最能拟合散点图的f（x）
损失函数：使用均方差作为成本函数，也就是预测值和真实值之间差的平方取均值
优化目标：使得均方差（f(x)-y）*2越小越好

%config IPCompleter. greedy=True  #TAB键代码自动提示
#使用tf.keras实现一个简单的单边量线性回归f(x)=ax+b
import pandas as pd
import tensorflow as tf 
data = pd.read_csv('./Desktop/income2.csv')

import matplotlib.pyplot as plt 
%matplotlib inline
#plt.scatter(data.Education, data.Income)#data.Education为x轴，data.Income为y轴

x = data.Education
y = data.Income
model = tf.keras.Sequential()#初始化Sequential模型，一种顺序模型
#此时这个模型中什么也没有，接下来需要对模型添加层
#layers中有很多层，比较常用的一种是Dense层
model.add(tf.keras.layers.Dense(1, input_shape=(1,)))
#f(x)=ax+b为一维，写入1；输入数据形状input_shape也是一维（元组形式）
model.summary()#反映整个模型
model.compile(optimizer='adam',loss='mse')#编译模型，使用optimizer优化算法
history = model.fit(x, y, epochs=2000)#训练2000次

运行结果如下图：


后面的运行结果省略

可以看到，训练次数越多，损失值越小

（4）模型预测

model.predict(pd.Series([20]))#预测教育水平为20时的收入

运行结果如下：

即模型预测教育水平为20时，收入为34.39621