三支决策TensorFlow代码
时间: 2023-10-14 11:06:30 浏览: 46
以下是一个简单的三支决策TensorFlow代码示例:
```python
import tensorflow as tf
# 定义输入变量
x = tf.placeholder(tf.float32, [None, 3])
# 定义权重
W = tf.Variable(tf.zeros([3, 3]))
# 定义偏置
b = tf.Variable(tf.zeros([3]))
# 定义模型
y = tf.nn.softmax(tf.matmul(x, W) + b)
# 定义损失函数
y_ = tf.placeholder(tf.float32, [None, 3])
cross_entropy = tf.reduce_mean(-tf.reduce_sum(y_ * tf.log(y), reduction_indices=[1]))
# 定义优化器
train_step = tf.train.GradientDescentOptimizer(0.5).minimize(cross_entropy)
# 定义数据
input_data = [[1, 2, 3], [4, 5, 6], [7, 8, 9]]
output_data = [[1, 0, 0], [0, 1, 0], [0, 0, 1]]
# 创建Session
sess = tf.Session()
# 初始化变量
sess.run(tf.global_variables_initializer())
# 训练模型
for i in range(1000):
sess.run(train_step, feed_dict={x: input_data, y_: output_data})
# 预测结果
print(sess.run(y, feed_dict={x: [[1, 2, 3]]}))
print(sess.run(y, feed_dict={x: [[4, 5, 6]]}))
print(sess.run(y, feed_dict={x: [[7, 8, 9]]}))
```
在这个例子中,我们使用 TensorFlow 定义了一个三支决策模型。我们使用了一个输入变量 x 和一个输出变量 y,其中 y 是我们模型的预测值。我们使用交叉熵损失函数来评估模型的性能,并使用梯度下降优化器来训练模型。我们创建了一个 Session 对象来运行模型,并使用 feed_dict 参数来提供输入数据。最后,我们使用训练好的模型来预测新的输入数据。