TensorFlow实战：解决多元线性回归问题

1、 情景引入

波士顿房价数据集包括506个样本，每个样本包括12个特征变量和该地区的平均房价。房价显然和多个特征变量是相关的，因此需要选择多个特征变量来建立线性方程，这就是典型的多变量线性回归问题，下面是多元线性回归模型公式：y=w0+w1x1+w2x2+...+wn*xn+b
下面是波士顿房价的数据集部分展示，后面我们将使用数据集进行模型实现。

2、读取数据并归一化

通过pandas读取数据文件，列出统计概述。

登录后复制

1.

1. %matplotlib inline
2. import matplotlib.pyplot as plt
3. import numpy as np
4. import tensorflow as tf
5. import pandas as pd
7. #读取数据文件
8. df = pd.read_csv("./boston.csv",header=0)
9. #显示数据摘要描述信息
10. print(df.describe())

登录后复制

1.

1. #对数据归一化到0-1之间
2. for i in range(12):
3. df[:,i]=(df[:,i]-df[:,i].min())/(df[:,i].max()-df[:,i].min())
5. #x_data为归一化后的前12列特征数据
6. x_data = df[:,:12]
7. #y_data为最后一列标签数据
8. y_data = df[:12]

3、模型定义

首先定义特征数据和标签数据的占位符，shape中None表示行的数量未知，在实际训练时决定一次代入多少行样本，从一个样本的随机SDG到批量SDG都可以。

登录后复制

x = tf.placeholder(tf.float32,[None,12],name="x")y = tf.placeholder(tf.float32,[None,1],name="y")1.

定义模型函数

4、训练模型

设置训练超参数

登录后复制

#迭代次数train_epochs = 50#学习率learning_rate = 0.011.

定义均方差损失函数

登录后复制

with tf.name_scope("LossFunction"):    loss_function = tf.reduce_mean(tf.pow(y-pred,2)) #均方误差1.

选择优化器，初始化一个GradientDescentOptimizer

登录后复制

#梯度下降优化器optimizer = tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)1.

5、创建会话

声明会话

登录后复制

sess = tf.Session()1.

变量初始化

登录后复制

init = tf.global_variables_initializer()sess.run(init)1.

6、迭代训练

模型训练阶段，设置迭代次数，每次通过将样本逐个输入模型，进行梯度下降优化操作，每轮迭代后，绘制出模型曲线

下图为最后的训练结果

7、训练结果的可视化

登录后复制

plt.plot(loss_list)1.

8、TensorBoard 可视化

声明会话

登录后复制

sess = tf.Session()#定义初始化变量的操作init = tf.global_variables_initializer()1.

为 TensorBoard 可视化准备数据

登录后复制

#设置日志存储目录logdir = 'd:/log'sum_Loss = tf.summary.scalar("loss",loss_function)merged = tf.summary
.merge_all()1.

创建摘要的文件写入器

登录后复制

sess.run(init)writer = tf.summary.FileWwriter(logdir,sess.graph)1.

查看计算图TensorBoard查看loss好啦，最后赶快动手尝试一下属于你们的第一个多元回归模型的建立吧！

免责声明：本文系网络转载或改编，未找到原创作者，版权归原作者所有。如涉及版权，请联系删