TensorFlow 线性回归示例

线性回归是机器学习中的一种基础算法，用于预测连续值。本示例展示了如何使用 TensorFlow 实现线性回归。

数据集

我们使用 TensorFlow 内置的 boston 数据集作为示例。

步骤

1. 导入必要的库：

import tensorflow as tf
import numpy as np

2. 加载数据集：

(x_train, y_train), (x_test, y_test) = tf.keras.datasets.boston_housing.load_data()

3. 数据预处理：

x_train = x_train.astype(np.float32) / 255.0
x_test = x_test.astype(np.float32) / 255.0

4. 构建模型：

model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=(x_train.shape[1],))
])

5. 编译模型：

model.compile(optimizer='adam', loss='mean_squared_error')

6. 训练模型：

model.fit(x_train, y_train, epochs=10)

7. 评估模型：

mse_test = model.evaluate(x_test, y_test)
print(f"测试集均方误差: {mse_test}")

扩展阅读

更多关于 TensorFlow 的线性回归示例，请参考官方文档。

图片展示

线性回归图表