เริ่มต้นใช้งานเริ่มต้นใช้งานได้ฟรี

ตั้งค่า Linear Regression

Linear regression แบบตัวแปรเดียวจะระบุความสัมพันธ์ระหว่าง feature หนึ่งตัวกับ tensor เป้าหมาย ในแบบฝึกหัดนี้ เราจะใช้ขนาดพื้นที่ดินและราคาของอสังหาริมทรัพย์ โดยจะแปลงค่า tensor ทั้งสองเป็น logarithm ธรรมชาติตามที่อธิบายในวิดีโอ ซึ่งพร้อมใช้งานในชื่อ price_log และ size_log

ในแบบฝึกหัดนี้ คุณจะกำหนดโมเดลและฟังก์ชัน loss จากนั้นประเมินค่า loss function ด้วยค่า intercept และ slope สองชุดที่แตกต่างกัน โดยค่าที่โมเดลพยากรณ์คำนวณจาก intercept + features*slope นอกจากนี้ keras.losses.mse() พร้อมใช้งานแล้ว และ slope กับ intercept ถูกกำหนดเป็นตัวแปรไว้แล้ว

แบบฝึกหัดนี้เป็นส่วนหนึ่งของหลักสูตร

TensorFlow เบื้องต้นใน Python

ดูคอร์ส

คำแนะนำการฝึกหัด

  • กำหนดฟังก์ชันที่คืนค่าที่พยากรณ์สำหรับ linear regression โดยใช้ intercept, features และ slope โดยไม่ใช้ add() หรือ multiply()
  • เพิ่มตัวแปรของโมเดล ได้แก่ intercept และ slope เป็นอาร์กิวเมนต์ใน loss_function() ให้ครบถ้วน
  • คำนวณ mean squared error โดยใช้ targets และ predictions

แบบฝึกหัดเชิงโต้ตอบแบบลงมือทำ

ลองทำแบบฝึกหัดนี้โดยเติมโค้ดตัวอย่างนี้ให้สมบูรณ์

# 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())
แก้ไขและรันโค้ด