ComeçarComece gratuitamente

Configure uma regressão linear

Uma regressão linear univariada identifica a relação entre um único recurso e o tensor de destino. Neste exercício, usaremos o tamanho do lote e o preço de uma propriedade. Assim como discutimos no vídeo, usaremos os logaritmos naturais de ambos os tensores, que estão disponíveis em price_log e size_log.

Neste exercício, você definirá o modelo e a função de perda. Em seguida, você avaliará a função de perda para dois valores diferentes de intercept e slope. Lembre-se de que os valores previstos são dados por intercept + features*slope. Além disso, observe que o site keras.losses.mse() está disponível para você. Além disso, slope e intercept foram definidos como variáveis.

Este exercício faz parte do curso

Introdução ao TensorFlow em Python

Ver Curso

Instruções de exercício

  • Defina uma função que retorne os valores previstos para uma regressão linear usando intercept, features, e slope, e sem usar add() ou multiply().
  • Complete o loss_function() adicionando as variáveis do modelo, intercept e slope, como argumentos.
  • Calcule o erro quadrático médio usando targets e predictions.

Exercício interativo prático

Experimente este exercício preenchendo este código de exemplo.

# 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 e executar código