没有合适的资源?快使用搜索试试~ 我知道了~
首页人工智能:波士顿房价预测线性回归实践
人工智能:波士顿房价预测线性回归实践
55 下载量 21 浏览量
更新于2023-03-03
评论 5
收藏 100KB PDF 举报
按课程案例,动手完成编码实践。 通过梯度下降优化器进行优化,尝试采用不同的学习率和训练轮数等超参数,记录训练后的损失值和W、b变量值。 提交要求: 1、至少5次不同超参数的运行结果的记录文档(word格式或者txt格式) 2、你认为最优的一次带运行结果的源代码文件(.ipynb 格式) 3、以上两个文件一起压缩为一个压缩文件后作为附件上传 评价标准: 1、完成案例中的代码,有完整的代码,模型能运行优化出结果,8分; 2、调整过超参数,记录文件中有至少5组数据,2分; 利用python面向对象的思想,对其进行编程: %matplotlib notebook import tensorflow.c
资源详情
资源评论
资源推荐
人工智能:波士顿房价预测线性回归实践人工智能:波士顿房价预测线性回归实践
按课程案例,动手完成编码实践。
通过梯度下降优化器进行优化,尝试采用不同的学习率和训练轮数等超参数,记录训练后的损失值和W、b变量值。
提交要求:
1、至少5次不同超参数的运行结果的记录文档(word格式或者txt格式)
2、你认为最优的一次带运行结果的源代码文件(.ipynb 格式)
3、以上两个文件一起压缩为一个压缩文件后作为附件上传
评价标准:
1、完成案例中的代码,有完整的代码,模型能运行优化出结果,8分;
2、调整过超参数,记录文件中有至少5组数据,2分;
利用利用python面向对象的思想,对其进行编程:面向对象的思想,对其进行编程:
%matplotlib notebook
import tensorflow.compat.v1 as tf
import numpy as np
import pandas as pd
from sklearn.utils import shuffle
tf.disable_eager_execution() #防止抛出异常RuntimeError: tf.placeholder() is not compatible with eager execution.
class Train:
def __init__(self,route):
self.df = pd.read_csv(route,header = 0) #读取csv文件
print(self.df.describe()) #显示数据摘要信息
self.df = self.df.values #获取df的值
self.df = np.array(self.df) #把self.df转换为np数组的形式
def Standard(self):
for i in range(12):
self.df[:,i] = (self.df[:,i] - self.df[:,i].min())/(self.df[:,i].max() - self.df[:,i].min())
self.x_data = self.df[:,:12] #self.x_data为前12列的特征数据
self.y_data = self.df[:,12] #self.y_data为最后一列的标签数据
def model(x,w,b): #矩阵相乘,w和x
return tf.matmul(x,w) + b
def Matrix(self):
#定义特征数据和标签数据的占位符
self.x = tf.placeholder(tf.float32,[None,12],name="X") #12个特征数据,12列,None表示行数未知
self.y = tf.placeholder(tf.float32,[None,1],name="Y") #1个标签数据,1列
#定义一个命名空间
with tf.name_scope("Model"):
#初始化值为shape=(12,1)的随机数,标准差为0.01
self.w = tf.Variable(tf.random_normal([12,1],stddev = 0.01),name = "W")
self.b = tf.Variable(1.0,name = "b") #b的初始值为1.0
self.pred = Train.model(self.x,self.w,self.b) #预测计算操作,前向计算节点
def LossFunction(self,train_epochs,learning_rate):
self.train_epochs,self.learning_rate = train_epochs,learning_rate
with tf.name_scope("LossFunction"): #定义均方差损失函数
self.loss_function = tf.reduce_mean(tf.pow(self.y - self.pred,2)) #均方误差
#创建梯度下降优化器
self.optimizer = tf.train.GradientDescentOptimizer(self.learning_rate).minimize(self.loss_function)
self.sess =tf.Session() #声明会话
self.init = tf.global_variables_initializer() #定义初始化变量的操作
self.sess.run(self.init) #启动会话
def iteration(self):
self.loss_list = [] #初始化空列表,用于记录每轮训练后的损失值
#进行迭代训练
for epoch in range(self.train_epochs):
self.loss_sum = 0.0 #每轮损失函数的总和
for xs,ys in zip(self.x_data,self.y_data):
xs = xs.reshape(1,12) #重塑维度
ys = ys.reshape(1,1)
_,self.loss = self.sess.run([self.optimizer,self.loss_function],feed_dict={self.x:xs,self.y:ys})
self.loss_sum = self.loss_sum + self.loss
weixin_38622475
- 粉丝: 0
- 资源: 913
上传资源 快速赚钱
- 我的内容管理 收起
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
会员权益专享
最新资源
- zigbee-cluster-library-specification
- JSBSim Reference Manual
- c++校园超市商品信息管理系统课程设计说明书(含源代码) (2).pdf
- 建筑供配电系统相关课件.pptx
- 企业管理规章制度及管理模式.doc
- vb打开摄像头.doc
- 云计算-可信计算中认证协议改进方案.pdf
- [详细完整版]单片机编程4.ppt
- c语言常用算法.pdf
- c++经典程序代码大全.pdf
- 单片机数字时钟资料.doc
- 11项目管理前沿1.0.pptx
- 基于ssm的“魅力”繁峙宣传网站的设计与实现论文.doc
- 智慧交通综合解决方案.pptx
- 建筑防潮设计-PowerPointPresentati.pptx
- SPC统计过程控制程序.pptx
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功
评论0