НачатьНачать бесплатно

Подготовка к обучению с помощью Estimators

В этом упражнении мы вернёмся к набору данных о сделках с недвижимостью в округе Кинг из второй главы. Мы снова построим и обучим модель машинного обучения для предсказания цен на жильё, но на этот раз воспользуемся API estimator.

Чтобы не делать всё за один шаг, разобьём этот процесс на части. Начнём с определения столбцов признаков и загрузки данных. В следующем упражнении мы определим и обучим готовый estimator. Обратите внимание, что feature_column уже импортирован из tensorflow. Кроме того, numpy импортирован как np, а набор данных о жилье округа Кинг доступен в виде DataFrame библиотеки pandas под именем housing.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

  • Завершите определение столбца признаков для bedrooms и добавьте ещё один числовой столбец признаков для bathrooms. Используйте bedrooms и bathrooms в качестве ключей.
  • Создайте список столбцов признаков feature_list в том порядке, в котором они были определены.
  • Присвойте переменной labels значения столбца price из housing.
  • Завершите запись bedrooms в словаре features и добавьте ещё одну запись для bathrooms.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Define feature columns for bedrooms and bathrooms
bedrooms = feature_column.numeric_column("____")
bathrooms = ____

# Define the list of feature columns
feature_list = [____, ____]

def input_fn():
	# Define the labels
	labels = np.array(____)
	# Define the features
	features = {'bedrooms':np.array(housing['____']), 
                'bathrooms':____}
	return features, labels
Редактировать и запускать код