多元线性回归
在大多数情况下，单变量线性回归很难得到足够准确的预测模型。本练习中，您将进行多元回归，也就是使用多个特征。
您将使用 price_log 作为目标变量，size_log 和 bedrooms 作为特征。这些张量都已定义并可直接使用。您还将把损失函数从均方误差切换为平均绝对误差：keras.losses.mae()。最后，预测值按如下方式计算：params[0] + feature1*params[1] + feature2*params[2]。注意，我们将参数向量 params 定义为一个变量，而不是使用 3 个独立变量。其中，params[0] 是截距，params[1] 和 params[2] 是斜率。
本练习是课程的一部分
Python 中的 TensorFlow 入门
练习说明
- 定义一个线性回归模型并返回预测值。
- 让
loss_function()以参数向量为输入。 - 使用平均绝对误差作为损失函数。
- 完成最小化操作。
交互式实操练习
通过完成这段示例代码来试试这个练习。
# 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)