2.2 tf.keras实现线性回归
废话不多说，接上一篇机器学习原理——线性回归，直接上可运行代码
点击查看代码
import pandas as pd
import tensorflow as tf
data = pd.read_csv("./dataset/Income1.csv")
x = data.Education #这是Income.csv表格中给出的列名
y = data.Income
model = tf.keras.Sequential() #创建一个顺序模型
#往模型中添加层 输出只有一个f(x)所以是，输入也只有x，也是一维，所以其元组形式为(1,)
model.add(tf.keras.layers.Dense(1 ,input_shape=(1,)))
#输出模型的结构
print(model.summary()) #如图2-3所示
#进行编译
model.compile(optimizer='adam',loss='mse') #设置优化器和损失函数
#进行训练
history = model.fit(x,y,epochs=10000) #epochs表示对所有的数据训练的次数 x y分别是训练的数据的输入和输出
#使用训练的模型进行预测
print(model.predict(pd.Series([20]))) #因为训练的时候使用的Series，所以预测的时候也一般使用这种格式
图2-3
这里的dense层中的输出形状(None,1)，None表示输出的个数，如果有一百个数据，那么None就是100.第二个1表示的就是输出的维度是1.
Param是2，表示有两个参数，也就是ax+b中的a,b. b就是表示一个bias，也即是一个截距，如果不想要这个bias,可以在dense()层中将use_bias设置成False. 其中的a是一个权重
图2-4
在训练的过程中，我们可以看到loss的值越来越小，也就是拟合效果越来越好，这设计到优化器和loss函数的计算方式