python基于tensorflow欠拟合和过拟合

以下是基于TensorFlow的欠拟合和过拟合的Python示例：

首先，我们需要导入必要的库和数据集：

import tensorflow as tf
from tensorflow import keras

import numpy as np

# 加载数据集
(x_train, y_train), (x_test, y_test) = keras.datasets.boston_housing.load_data(seed=42)

接下来，我们需要对数据进行预处理：

# 标准化数据
mean = x_train.mean(axis=0)
std = x_train.std(axis=0)
x_train = (x_train - mean) / std
x_test = (x_test - mean) / std

然后，我们可以定义一个函数来构建模型：

def build_model():
    model = keras.Sequential([
        keras.layers.Dense(64, activation='relu', input_shape=(x_train.shape[1],)),
        keras.layers.Dense(64, activation='relu'),
        keras.layers.Dense(1)
    ])

    optimizer = tf.keras.optimizers.RMSprop(0.001)

    model.compile(loss='mse',
                  optimizer=optimizer,
                  metrics=['mae'])
    return model

接下来，我们可以训练模型并绘制训练和验证的损失曲线：

# 构建模型
model = build_model()

# 训练模型
history = model.fit(x_train, y_train, epochs=500, validation_split=0.2, verbose=0)

# 绘制训练和验证的损失曲线
import matplotlib.pyplot as plt

def plot_history(history):
    plt.figure()
    plt.xlabel('Epoch')
    plt.ylabel('Mean Abs Error [$1000]')
    plt.plot(history.epoch, np.array(history.history['mae']), label='Train Loss')
    plt.plot(history.epoch, np.array(history.history['val_mae']), label = 'Val loss')
    plt.legend()
    plt.ylim([0,5])
    plt.show()

plot_history(history)

最后，我们可以使用测试集评估模型的性能：

# 使用测试集评估模型的性能
test_loss, test_mae = model.evaluate(x_test, y_test, verbose=0)
print('Test MAE: ${:,.2f}'.format(test_mae * 1000))