LoslegenKostenlos starten

Lineare Regression einrichten

Eine univariate lineare Regression ermittelt die Beziehung zwischen einem einzelnen Feature und dem Ziel-Tensor. In dieser Übung verwenden wir die Grundstücksgröße und den Preis einer Immobilie. Wie im Video besprochen, verwenden wir die natürlichen Logarithmen beider Tensoren, die als price_log und size_log verfügbar sind.

In dieser Übung definierst du das Modell und die Verlustfunktion. Anschließend bewertest du die Verlustfunktion für zwei verschiedene Werte von intercept und slope. Denk daran: Die vorhergesagten Werte ergeben sich aus intercept + features*slope. Beachte außerdem, dass keras.losses.mse() für dich verfügbar ist. Zusätzlich wurden slope und intercept bereits als Variablen definiert.

Diese Übung ist Teil des Kurses

<Kurs>Einführung in TensorFlow mit Python</Kurs>
Kurs ansehen

Übungsanweisungen

  • Definiere eine Funktion, die die vorhergesagten Werte für eine lineare Regression mit intercept, features und slope zurückgibt, ohne add() oder multiply() zu verwenden.
  • Vervollständige die loss_function(), indem du die Modellvariablen intercept und slope als Argumente hinzufügst.
  • Berechne den mittleren quadratischen Fehler mit targets und predictions.

Interaktive praktische Übung

Versuche dich an dieser Übung, indem du diesen Beispielcode vervollständigst.

# 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())
Code bearbeiten und ausführen