ComenzarEmpieza gratis

Configura una regresión lineal

Una regresión lineal univariante identifica la relación entre una sola característica y el tensor objetivo. En este ejercicio, usaremos el tamaño de la parcela de una propiedad y su precio. Tal como comentamos en el vídeo, tomaremos los logaritmos naturales de ambos tensores, disponibles como price_log y size_log.

En este ejercicio, definirás el modelo y la función de pérdida. Después evaluarás la función de pérdida para dos valores distintos de intercept y slope. Recuerda que los valores predichos vienen dados por intercept + features*slope. Además, ten en cuenta que keras.losses.mse() está disponible para ti. Asimismo, slope e intercept se han definido como variables.

Este ejercicio forma parte del curso

Introducción a TensorFlow en Python

Ver curso

Instrucciones del ejercicio

  • Define una función que devuelva los valores predichos para una regresión lineal usando intercept, features y slope, y sin usar add() ni multiply().
  • Completa loss_function() añadiendo las variables del modelo, intercept y slope, como argumentos.
  • Calcula el error cuadrático medio usando targets y predictions.

Ejercicio interactivo práctico

Prueba este ejercicio y completa el código de muestra.

# 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())
Editar y ejecutar código