ComeçarComece gratuitamente

Regressão linear múltipla

Na maioria dos casos, a execução de uma regressão linear univariada não produzirá um modelo que seja útil para fazer previsões precisas. Neste exercício, você realizará uma regressão múltipla, que usa mais de um recurso.

Você usará price_log como seu alvo e size_log e bedrooms como seus recursos. Cada um desses tensores foi definido e está disponível. Você também deixará de usar a perda de erro quadrático médio para usar a perda de erro absoluto médio: keras.losses.mae(). Por fim, os valores previstos são calculados da seguinte forma: params[0] + feature1*params[1] + feature2*params[2]. Observe que definimos um vetor de parâmetros, params, como uma variável, em vez de usar três variáveis. Aqui, params[0] é a interceptação e params[1] e params[2] são as inclinações.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver Curso

Instruções de exercício

  • Defina um modelo de regressão linear que retorne os valores previstos.
  • Defina loss_function() para receber o vetor de parâmetros como uma entrada.
  • Use a perda de erro absoluto médio.
  • Conclua a operação de minimização.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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)
Editar e executar código