Kom igångKom igång gratis

Sätt upp en linjär regression

En univariat linjär regression identifierar sambandet mellan ett enskilt särdrag och måltensorn. I den här övningen använder vi en fastighets tomtstorlek och pris. Precis som vi gick igenom i videon tar vi den naturliga logaritmen av båda tensorerna, som finns tillgängliga som price_log och size_log.

I den här övningen definierar du modellen och förlustfunktionen. Sedan utvärderar du förlustfunktionen för två olika värden på intercept och slope. Kom ihåg att de predikterade värdena ges av intercept + features*slope. Observera också att keras.losses.mse() finns tillgängligt, och att slope och intercept har definierats som variabler.

Den här övningen är en del av kursen

Introduktion till TensorFlow i Python

Visa kurs

Övningsinstruktioner

  • Definiera en funktion som returnerar de predikterade värdena för en linjär regression med hjälp av intercept, features och slope, utan att använda add() eller multiply().
  • Komplettera loss_function() genom att lägga till modellens variabler, intercept och slope, som argument.
  • Beräkna medelkvadratfelet med hjälp av targets och predictions.

Interaktiv övning med praktiskt arbete

Testa den här övningen genom att slutföra den här exempelkoden.

# 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())
Redigera och kör kod