ComeçarComece de graça

Regressão linear múltipla

Na maioria dos casos, fazer uma regressão linear univariada não gera um modelo útil para previsões precisas. Neste exercício, você fará uma regressão múltipla, que usa mais de uma feature.

Você usará price_log como seu alvo e size_log e bedrooms como suas features. Cada um desses tensores já foi definido e está disponível. Você também vai trocar da função de perda de erro quadrático médio para a de erro absoluto médio: keras.losses.mae(). Por fim, os valores previstos são calculados assim: 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 o intercepto e params[1] e params[2] são as inclinações.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver curso

Instruções do exercício

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

Exercício interativo prático

Experimente este exercício completando 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 o código