НачатьНачать бесплатно

Прогнозирование с помощью матричного умножения

В следующих главах вы научитесь обучать модели линейной регрессии. В результате этого процесса получается вектор параметров, который можно умножить на входные данные для получения прогнозов. В этом упражнении вы будете работать с входными данными features и целевым вектором bill, взятыми из набора данных по кредитным картам, который мы будем использовать позже в курсе.

\(features = \begin{bmatrix} 2 & 24 \\ 2 & 26 \\ 2 & 57 \\ 1 & 37 \end{bmatrix}\), \(bill = \begin{bmatrix} 3913 \\ 2682 \\ 8617 \\ 64400 \end{bmatrix}\), \(params = \begin{bmatrix} 1000 \\ 150 \end{bmatrix}\)

Матрица входных данных features содержит два столбца: уровень образования и возраст. Целевой вектор bill представляет сумму задолженности по кредитной карте заёмщика.

Поскольку модель ещё не обучена, вам нужно самостоятельно задать значения вектора параметров params. Затем с помощью matmul() выполните матричное умножение features на params, чтобы получить прогнозы billpred, которые вы сравните с bill. Обратите внимание, что matmul() и constant() уже импортированы.

Это упражнение является частью курса

Введение в TensorFlow на Python

Посмотреть курс

Инструкции к упражнению

  • Определите features, params и bill как константы.
  • Вычислите вектор прогнозируемых значений billpred, умножив входные данные features на параметры params. Используйте матричное умножение, а не поэлементное произведение.
  • Определите error как разность между целевыми значениями bill и прогнозируемыми значениями billpred.

Интерактивное практическое упражнение

Попробуйте выполнить это упражнение, дополнив этот пример кода.

# Define features, params, and bill as constants
features = ____([[2, 24], [2, 26], [2, 57], [1, 37]])
params = ____([[1000], [150]])
bill = ____([[3913], [2682], [8617], [64400]])

# Compute billpred using features and params
billpred = ____

# Compute and print the error
error = ____ - ____
print(error.numpy())
Редактировать и запускать код