Začněte nyníZačněte zdarma

Vícenásobná lineární regrese

Ve většině případů univariátní lineární regrese nestačí k vytvoření modelu, který by dokázal přesně předpovídat hodnoty. V tomto cvičení se zaměříš na vícenásobnou regresi, která pracuje s více než jedním příznakem.

Jako cílovou proměnnou použiješ price_log a jako příznaky size_log a bedrooms. Všechny tyto tenzory jsou již definované a připravené k použití. Také přejdeš ze ztráty střední kvadratické chyby na ztrátu střední absolutní chyby: keras.losses.mae(). Předpovídané hodnoty se vypočítají takto: params[0] + feature1*params[1] + feature2*params[2]. Všimni si, že parametry jsou tentokrát definované jako vektor params, nikoli jako tři samostatné proměnné. Zde params[0] představuje úsek a params[1] a params[2] jsou směrnice.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Definuj model lineární regrese, který vrátí předpovídané hodnoty.
  • Nastav loss_function() tak, aby přijímala vektor parametrů jako vstup.
  • Použij ztrátu střední absolutní chyby.
  • Dokonči operaci minimalizace.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define the linear regression model
def linear_regression(params, feature1 = size_log, feature2 = bedrooms):
	return params[0] + feature1*____ + feature2*____

# Define the loss function
def loss_function(____, targets = price_log, feature1 = size_log, feature2 = bedrooms):
	# Set the predicted values
	predictions = linear_regression(params, feature1, feature2)
  
	# Use the mean absolute error loss
	return keras.losses.____(targets, predictions)

# Define the optimize operation
opt = keras.optimizers.Adam()

# Perform minimization and print trainable variables
for j in range(10):
	opt.minimize(lambda: loss_function(____), var_list=[____])
	print_results(params)
Upravit a spustit kód