线性回归是机器学习中最基础的算法之一，适用于预测连续值问题。以下是使用 TensorFlow 实现线性回归的步骤：

📌 1. 环境准备

  • 安装 TensorFlow：pip install tensorflow
  • 导入必要库：
    import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt

📌 2. 数据集加载与可视化

使用内置数据集演示：

# 生成随机数据
X = np.random.rand(100, 1)
y = 3 * X + 4 + np.random.rand(100, 1) * 0.5

# 绘制数据点
plt.scatter(X, y)
plt.xlabel("特征 X")
plt.ylabel("目标 y")
<center><img src="https://cloud-image.ullrai.com/q/数据集示例/" alt="数据集示例"/></center>

📌 3. 模型构建

# 定义模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=[1])
])

# 编译模型
model.compile(optimizer='sgd', loss='mean_squared_error')

📌 4. 模型训练

# 训练模型
history = model.fit(X, y, epochs=200, verbose=1)

# 显示训练损失曲线
plt.plot(history.history['loss'])
plt.title('模型损失曲线')
plt.ylabel('损失值')
plt.xlabel('轮数')
<center><img src="https://cloud-image.ullrai.com/q/损失曲线图表/" alt="损失曲线图表"/></center>

📌 5. 模型预测

# 使用模型进行预测
X_new = np.array([[0], [1]])  # 新输入
y_pred = model.predict(X_new)

# 显示预测结果
print(f"预测值: {y_pred}")

🌐 扩展学习

想要深入了解其他 TensorFlow 教程？可以访问：