Zacznij terazZacznij za darmo

Konfiguracja regresji liniowej

Jednowymiarowa regresja liniowa opisuje zależność między pojedynczą cechą a tensorem docelowym. W tym ćwiczeniu wykorzystamy powierzchnię działki i cenę nieruchomości. Podobnie jak w materiale wideo, zastosujemy logarytmy naturalne obu tensorów – są one dostępne jako price_log i size_log.

W tym ćwiczeniu zdefiniujesz model oraz funkcję straty, a następnie obliczysz wartość funkcji straty dla dwóch różnych wartości intercept i slope. Pamiętaj, że przewidywane wartości są dane wzorem intercept + features*slope. Zwróć uwagę, że keras.losses.mse() jest już dostępne. Zmienne slope i intercept zostały również wcześniej zdefiniowane.

To ćwiczenie jest częścią kursu

Wprowadzenie do TensorFlow w Pythonie

Zobacz kurs

Instrukcje do ćwiczenia

  • Zdefiniuj funkcję, która zwraca przewidywane wartości dla regresji liniowej, korzystając z intercept, features i slope – bez użycia add() ani multiply().
  • Uzupełnij loss_function(), dodając zmienne modelu – intercept i slope – jako argumenty.
  • Oblicz błąd średniokwadratowy, używając targets i predictions.

Interaktywne ćwiczenie praktyczne

Spróbuj tego ćwiczenia, uzupełniając ten przykładowy kod.

# 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())
Edytuj i uruchom kod