Blog

2 August 2019

tensorflow 선형회귀 예제

시각적 인 예의 교차 된 열이있는 해시 버킷의 효과는 위의 선형 회귀 방정식을보고이 노트북을 참조, 우리는 여러 반복을 통해 경사 (W) 및 바이어스 (b)의 그라데이션을 학습그래프를 생성하여 시작합니다. 각 반복에서 입력 y를 예측된 y와 비교하여 간격(손실)을 닫는 것을 목표로 합니다. 이것은 우리가 X의 입력이 우리에게 우리가 원하는 y를 줄 수 있도록 W와 b를 수정하려는 것을 의미합니다. 선형 회귀를 해결하는 것은 최적 맞춤 또는 추세선의 선을 찾는 것으로도 알려져 있습니다. 두 개 이상의 열에 대해 crossed_열을 만들 수도 있습니다. 각 구성 열은 범주형(SparseColumn), 버킷화된 실제 값 피쳐 열 또는 다른 교차열인 기본 피쳐 열일 수 있습니다. 예: 개인의 나이, 교육, 결혼 여부 및 직업(기능)이 포함된 인구 조사 데이터를 사용하여 연간 50,000달러 이상을 벌고 있는지 여부를 예측합니다(대상 레이블). 우리는 개인의 정보를 감안할 때 0에서 1 사이의 숫자를 출력하는 물류 회귀 모델을 훈련할 것이며, 이는 개인이 연간 소득이 50,000 달러 이상일 확률로 해석 될 수 있습니다. 예측하려는 대상 변수가 연속적일 때 학습 문제를 회귀 문제라고 합니다. y가 소수의 불연속 값만 사용하면 분류 문제라고 합니다. generate_dataset() 및 linear_regression()을 통해 이제 프로그램을 실행하고 최적의 그라데이션 W 및 바이어스 b를 찾을 준비가 되었습니다! 자리 표시자는 프로그램에 데이터를 저장하는 데 특히 유용합니다. 프로그램의 다른 실행에서 우리는 교육 데이터의 다른 세트를 공급 할 수 있습니다. 또한 교차 유효성 검사를 구현하는 데 유용할 수도 있습니다.

그러나 간단한 예제에서는 단일 교육 집합으로 작업하므로 자리 표시자를 사용하지 않습니다. 이 예제에서는 tf.keras API를 사용 하 여 자세한 내용은이 가이드를 참조 하십시오. 선형 회귀는 주어진 연속 데이터 집합에서 함수 또는 관계를 학습할 수 있는 매우 일반적인 통계 방법입니다.

Bize Ulaşın