ИТ Блог. Администрирование серверов на основе Linux (Ubuntu, Debian, CentOS, openSUSE)
(1 оценок, среднее: 5,00 из 5)
Загрузка...
В этой главе мы сосредоточимся на базовом примере реализации линейной регрессии с использованием TensorFlow. Логистическая регрессия или линейная регрессия – это контролируемый подход машинного обучения для классификации категорий дискретных порядков. Наша цель в этой главе – создать модель, с помощью которой пользователь может предсказать взаимосвязь между переменными предиктора и одной или несколькими независимыми переменными.
Соотношение между этими двумя переменными считается линейным. Если y является зависимой переменной, а x рассматривается как независимая переменная, то отношение линейной регрессии двух переменных будет выглядеть следующим образом:
Y = Ax+b
Мы разработаем алгоритм для линейной регрессии. Это позволит нам понять следующие два важных понятия –
Схематическое представление линейной регрессии упоминается ниже:
Графическое представление уравнения линейной регрессии упоминается ниже:
Теперь мы узнаем о шагах, которые помогают в разработке алгоритма линейной регрессии.
Важно импортировать необходимые модули для построения модуля линейной регрессии. Мы начинаем импортировать библиотеки Python NumPy и Matplotlib.
import numpy as np import matplotlib.pyplot as plt
Определите количество коэффициентов, необходимых для логистической регрессии.
number_of_points = 500 x_point = [] y_point = [] a = 0.22 b = 0.78
Итерация переменных для генерации 300 случайных точек вокруг уравнения регрессии –
Y = 0,22x + 0,78
for i in range(number_of_points): x = np.random.normal(0.0,0.5) y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x]) y_point.append([y])
Просмотр сгенерированных точек с помощью Matplotlib.
fplt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend() plt.show()
Полный код логистической регрессии выглядит следующим образом:
import numpy as np import matplotlib.pyplot as plt number_of_points = 500 x_point = [] y_point = [] a = 0.22 b = 0.78 for i in range(number_of_points): x = np.random.normal(0.0,0.5) y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x]) y_point.append([y]) plt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend() plt.show()
Количество точек, которое берется в качестве входных данных, считается входными данными.
