Začněte nyníZačněte zdarma

Příprava na trénování s Estimators

V tomto cvičení se vrátíme k datasetu realitních transakcí z King County, se kterým jsi pracoval/a ve druhé kapitole. Znovu vytvoříme a natrénujeme model strojového učení pro předpovídání cen nemovitostí – tentokrát ale pomocí estimator API.

Místo toho, abychom vše zvládli najednou, rozdělíme postup do několika kroků. Začneme definováním sloupců příznaků a načtením dat. V dalším cvičení pak definujeme a natrénujeme předpřipravený estimator. Všimni si, že feature_column je už naimportován z tensorflow. Dále je k dispozici numpy jako np a dataset King County je dostupný jako pandas DataFrame s názvem housing.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Doplň sloupec příznaků pro bedrooms a přidej další numerický sloupec příznaků pro bathrooms. Jako klíče použij bedrooms a bathrooms.
  • Vytvoř seznam sloupců příznaků feature_list ve stejném pořadí, v jakém byly definovány.
  • Nastav labels na hodnotu sloupce price v housing.
  • Doplň záznam bedrooms ve slovníku features a přidej další záznam pro bathrooms.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define feature columns for bedrooms and bathrooms
bedrooms = feature_column.numeric_column("____")
bathrooms = ____

# Define the list of feature columns
feature_list = [____, ____]

def input_fn():
	# Define the labels
	labels = np.array(____)
	# Define the features
	features = {'bedrooms':np.array(housing['____']), 
                'bathrooms':____}
	return features, labels
Upravit a spustit kód