Kom igångKom igång gratis

Förberedelser inför träning med Estimators

I den här övningen återvänder vi till datasetet med bostadstransaktioner från King County, som du arbetade med i kapitel 2. Vi utvecklar och tränar återigen en maskininlärningsmodell för att förutsäga huspriser – den här gången med hjälp av estimator-API:et.

Istället för att göra allt i ett steg delar vi upp proceduren i delar. Vi börjar med att definiera särdragskolumnerna och läsa in datan. I nästa övning definierar och tränar vi en färdigbyggd estimator. Observera att feature_column redan har importerats åt dig från tensorflow. Dessutom har numpy importerats som np, och King County-bostadsdatasetet finns tillgängligt som en pandas DataFrame: housing.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Slutför särdragskolumnen för bedrooms och lägg till ytterligare en numerisk särdragskolumn för bathrooms. Använd bedrooms och bathrooms som nycklar.
  • Skapa en lista med särdragskolumnerna, feature_list, i den ordning de definierades.
  • Sätt labels till att vara lika med kolumnen price i housing.
  • Slutför posten bedrooms i features-ordboken och lägg till ytterligare en post för bathrooms.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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
Redigera och kör kod