Začněte nyníZačněte zdarma

Nastavení lineární regrese

Univariátní lineární regrese popisuje vztah mezi jedním příznakem a cílovým tensorem. V tomto cvičení použijeme velikost pozemku a cenu nemovitosti. Stejně jako jsme probírali ve videu, aplikujeme na oba tensory přirozený logaritmus – výsledky jsou dostupné jako price_log a size_log.

V tomto cvičení definuješ model a ztrátovou funkci. Poté vyhodnotíš ztrátovou funkci pro dvě různé hodnoty intercept a slope. Nezapomeň, že predikované hodnoty jsou dány výrazem intercept + features*slope. K dispozici máš také funkci keras.losses.mse(). Proměnné slope a intercept jsou již definovány.

Toto cvičení je součástí kurzu

Úvod do TensorFlow v Pythonu

Zobrazit kurz

Pokyny k cvičení

  • Definuj funkci, která vrací predikované hodnoty lineární regrese pomocí intercept, features a slope, a to bez použití add() nebo multiply().
  • Doplň loss_function() přidáním proměnných modelu intercept a slope jako argumentů.
  • Vypočítej střední kvadratickou chybu pomocí targets a predictions.

Interaktivní cvičení na vyzkoušení si v praxi

Vyzkoušejte si toto cvičení dokončením tohoto ukázkového kódu.

# Define a linear regression model
def linear_regression(intercept, slope, features = size_log):
	return ____

# Set loss_function() to take the variables as arguments
def loss_function(____, ____, features = size_log, targets = price_log):
	# Set the predicted values
	predictions = linear_regression(intercept, slope, features)
    
    # Return the mean squared error loss
	return keras.losses.____

# Compute the loss for different slope and intercept values
print(loss_function(0.1, 0.1).numpy())
print(loss_function(0.1, 0.5).numpy())
Upravit a spustit kód