ПочатиПочніть безкоштовно

Підготовка до навчання з Estimators

У цій вправі ми повернемося до набору даних про операції з житлом у окрузі Кінґ з розділу 2. Ми знову розробимо й навчимо модель машинного навчання для прогнозування цін на будинки; однак цього разу зробимо це за допомогою API estimator.

Замість того щоб виконувати все в одному кроці, ми розіб'ємо процедуру на частини. Почнемо з визначення стовпчиків ознак і завантаження даних. У наступній вправі ми визначимо й навчимо готовий estimator. Зверніть увагу, що feature_column уже імпортовано для вас із tensorflow. Крім того, numpy імпортовано як np, а набір даних про житло округу Кінґ доступний як DataFrame бібліотеки pandas: housing.

Ця вправа є частиною курсу

Вступ до TensorFlow на Python

Переглянути курс

Інструкції до вправи

  • Завершіть стовпчик ознак для bedrooms і додайте ще один числовий стовпчик ознак для bathrooms. Використайте bedrooms і bathrooms як ключі.
  • Створіть список стовпчиків ознак feature_list у тому порядку, у якому їх визначено.
  • Присвойте labels значення стовпчика price у housing.
  • Завершіть запис bedrooms у словнику features і додайте ще один запис для bathrooms.

Інтерактивна практична вправа

Спробуйте виконати цю вправу, доповнивши цей зразок коду.

# 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
Редагувати та запускати код