TensorFlow实现iris数据集线性回归
程序员文章站
2022-05-18 22:22:11
本文将遍历批量数据点并让tensorflow更新斜率和y截距。这次将使用scikit learn的内建iris数据集。特别地,我们将用数据点(x值代表花瓣宽度,y值代表花瓣...
本文将遍历批量数据点并让tensorflow更新斜率和y截距。这次将使用scikit learn的内建iris数据集。特别地,我们将用数据点(x值代表花瓣宽度,y值代表花瓣长度)找到最优直线。选择这两种特征是因为它们具有线性关系,在后续结果中将会看到。本文将使用l2正则损失函数。
# 用tensorflow实现线性回归算法 #---------------------------------- # # this function shows how to use tensorflow to # solve linear regression. # y = ax + b # # we will use the iris data, specifically: # y = sepal length # x = petal width import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from sklearn import datasets from tensorflow.python.framework import ops ops.reset_default_graph() # create graph sess = tf.session() # load the data # iris.data = [(sepal length, sepal width, petal length, petal width)] iris = datasets.load_iris() x_vals = np.array([x[3] for x in iris.data]) y_vals = np.array([y[0] for y in iris.data]) # 批量大小 batch_size = 25 # initialize 占位符 x_data = tf.placeholder(shape=[none, 1], dtype=tf.float32) y_target = tf.placeholder(shape=[none, 1], dtype=tf.float32) # 模型变量 a = tf.variable(tf.random_normal(shape=[1,1])) b = tf.variable(tf.random_normal(shape=[1,1])) # 增加线性模型,y=ax+b model_output = tf.add(tf.matmul(x_data, a), b) # 声明l2损失函数,其为批量损失的平均值。 loss = tf.reduce_mean(tf.square(y_target - model_output)) # 声明优化器 学习率设为0.05 my_opt = tf.train.gradientdescentoptimizer(0.05) train_step = my_opt.minimize(loss) # 初始化变量 init = tf.global_variables_initializer() sess.run(init) # 批量训练遍历迭代 # 迭代100次,每25次迭代输出变量值和损失值 loss_vec = [] for i in range(100): rand_index = np.random.choice(len(x_vals), size=batch_size) rand_x = np.transpose([x_vals[rand_index]]) rand_y = np.transpose([y_vals[rand_index]]) sess.run(train_step, feed_dict={x_data: rand_x, y_target: rand_y}) temp_loss = sess.run(loss, feed_dict={x_data: rand_x, y_target: rand_y}) loss_vec.append(temp_loss) if (i+1)%25==0: print('step #' + str(i+1) + ' a = ' + str(sess.run(a)) + ' b = ' + str(sess.run(b))) print('loss = ' + str(temp_loss)) # 抽取系数 [slope] = sess.run(a) [y_intercept] = sess.run(b) # 创建最佳拟合直线 best_fit = [] for i in x_vals: best_fit.append(slope*i+y_intercept) # 绘制两幅图 # 拟合的直线 plt.plot(x_vals, y_vals, 'o', label='data points') plt.plot(x_vals, best_fit, 'r-', label='best fit line', linewidth=3) plt.legend(loc='upper left') plt.title('sepal length vs pedal width') plt.xlabel('pedal width') plt.ylabel('sepal length') plt.show() # plot loss over time # 迭代100次的l2正则损失函数 plt.plot(loss_vec, 'k-') plt.title('l2 loss per generation') plt.xlabel('generation') plt.ylabel('l2 loss') plt.show()
结果:
step #25 a = [[ 1.93474162]] b = [[ 3.11190438]] loss = 1.21364 step #50 a = [[ 1.48641717]] b = [[ 3.81004381]] loss = 0.945256 step #75 a = [[ 1.26089203]] b = [[ 4.221035]] loss = 0.254756 step #100 a = [[ 1.1693294]] b = [[ 4.47258472]] loss = 0.281654
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持。
下一篇: SQL SERVER
推荐阅读
-
详解tensorflow训练自己的数据集实现CNN图像分类
-
使用tensorflow实现线性回归
-
tensorflow实现加载mnist数据集
-
ML之FE:利用FE特征工程(分析两两数值型特征之间的相关性)对AllstateClaimsSeverity(Kaggle2016竞赛)数据集实现索赔成本值的回归预测
-
TensorFlow系列(4)——基于MNIST数据集的CNN实现
-
TensorFlow实现简单线性回归示例代码
-
TensorFlow2利用猫狗数据集(cats_and_dogs_filtered.zip)实现卷积神经网络完成分类任务
-
tensorflow/model库源码Deeplabv3+实现(三)之VOC2012数据集重新划分训练集、验证集
-
TensorFlow2利用Auto-MPG数据集实现神经网络回归任务
-
TensorFlow深度学习进阶教程:TensorFlow实现CIFAR-10数据集测试的卷积神经网络