शुरू करेंमुफ़्त में शुरू करें

Multiple linear regression

अधिकांश स्थितियों में, केवल एक फीचर पर की गई univariate linear regression से ऐसा मॉडल नहीं बनता जो सटीक प्रेडिक्शन दे सके। इस अभ्यास में, आप multiple regression करेंगे, जो एक से अधिक फीचर का उपयोग करती है.

आप price_log को target और size_log तथा bedrooms को features के रूप में उपयोग करेंगे। ये सभी tensors पहले से परिभाषित हैं और उपलब्ध हैं। आप mean squared error loss से mean absolute error loss पर भी स्विच करेंगे: keras.losses.mae()। अंत में, predicted values इस प्रकार निकाली जाती हैं: params[0] + feature1*params[1] + feature2*params[2]। ध्यान दें कि हमने तीन अलग-अलग variables की बजाय एक parameters वेक्टर params को variable के रूप में परिभाषित किया है। यहाँ params[0] intercept है और params[1] तथा params[2] slopes हैं.

यह अभ्यास पाठ्यक्रम का हिस्सा है

Python में TensorFlow परिचय

पाठ्यक्रम देखें

अभ्यास निर्देश

  • ऐसा linear regression मॉडल परिभाषित करें जो predicted values लौटाए.
  • loss_function() को parameter vector इनपुट के रूप में लेने के लिए सेट करें.
  • mean absolute error loss का उपयोग करें.
  • minimization ऑपरेशन पूरा करें.

इंटरैक्टिव व्यावहारिक अभ्यास

इस अभ्यास को इस नमूना कोड को पूरा करके आज़माएँ।

# 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)
कोड संपादित करें और चलाएँ