LoslegenKostenlos loslegen

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

Einführung in TensorFlow mit Python

Kurs anzeigen

Anleitung zur Übung

  • 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 Übung

Vervollständige den Beispielcode, um diese Übung erfolgreich abzuschließen.

# 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