Hồi quy tuyến tính đa biến
Trong hầu hết các trường hợp, hồi quy tuyến tính đơn biến sẽ không cho ra một mô hình đủ hữu ích để dự đoán chính xác. Trong bài tập này, bạn sẽ thực hiện hồi quy đa biến, tức là dùng nhiều hơn một đặc trưng.
Bạn sẽ dùng price_log làm mục tiêu và size_log cùng bedrooms làm các đặc trưng. Mỗi tensor này đã được định nghĩa sẵn và có thể sử dụng. Bạn cũng sẽ chuyển từ hàm mất mát mean squared error sang mean absolute error: keras.losses.mae(). Cuối cùng, giá trị dự đoán được tính như sau: params[0] + feature1*params[1] + feature2*params[2]. Lưu ý, chúng tôi đã định nghĩa một vector tham số params dưới dạng một biến, thay vì ba biến riêng lẻ. Ở đây, params[0] là hệ số chặn (intercept) và params[1] cùng params[2] là các hệ số góc (slopes).
Bài tập này là một phần của khóa học
Nhập môn TensorFlow bằng Python
Hướng dẫn bài tập
- Định nghĩa một mô hình hồi quy tuyến tính trả về các giá trị dự đoán.
- Thiết lập
loss_function()để nhận vector tham số làm đầu vào. - Sử dụng hàm mất mát mean absolute error.
- Hoàn thiện phép tối thiểu hóa (minimization).
Bài tập tương tác thực hành trực tiếp
Hãy thử làm bài tập này bằng cách hoàn thành đoạn mã mẫu này.
# Define the linear regression model
def linear_regression(params, feature1 = size_log, feature2 = bedrooms):
return params[0] + feature1*____ + feature2*____
# Define the loss function
def loss_function(____, targets = price_log, feature1 = size_log, feature2 = bedrooms):
# Set the predicted values
predictions = linear_regression(params, feature1, feature2)
# Use the mean absolute error loss
return keras.losses.____(targets, predictions)
# Define the optimize operation
opt = keras.optimizers.Adam()
# Perform minimization and print trainable variables
for j in range(10):
opt.minimize(lambda: loss_function(____), var_list=[____])
print_results(params)