《初学TensorFlow机器学习案例报告》由会员分享，可在线阅读，更多相关《初学TensorFlow机器学习案例报告（3页珍藏版）》请在金锄头文库上搜索。
1、初学TensorFlow机器学习：如何实现线性回归？（附练习题）初学丁沁叭机器学习：如何实现线性回归？（附练习题）选自 Technica Curiosa作者: Nishant Shukla机器之心编译参与: Jane W本文的作者Nishant Shukla为加州大学洛杉矶分校的机器视觉研究者，从事研究机器人机器学习技术。Nishant Shukla 直以来兼任 Microsoft、Facebook 和 Foursquare 的开发者，以及 SpaceX 的机 器学习工程师。他还是H askell Data Analysis Cookbook的作者。还记得你小学时学习的科学课程吗？也许就在不久
2、前，谁知道呢也许你正在上小学，但是已经早早开始了你的机器学习之旅。不管是哪种方式，不管是生物、化学或者物理，一种分析数据的常用技术是用绘 图来观察一个变量的变化对其它变量的影响。设想你要绘制降雨频率与农作物产量间的相关性图。你也许会观察到随着降雨量的增加农业生产率也会增加。通过对这些数据拟合一条线，你可以预测不同降雨条件下的农业生产率。如果你能够从几个数据点发 现隐式函数关系，那么你就可以利用此学习到的函数来预测未知数据的值。回归算法研究的是如何最佳拟合概括数据的曲线。它是有监督学习算法中最强大和被研究最多的一类算法。在回归中，我们尝试通过找到可能生成数据的曲线来理解数据。通过这样做，我们为给
3、定数据散点的分布原因找到了一种解释。最佳拟合曲线给出了一个解释数据集是如何生成的模型。在本文中，你将学习如何用回归来解决一个实际问题。你将看到，如果你想拥有最强大的预测器，TensorFlow工具将是正确的选择。基本概念如果你有工具，那么干什么事情都会很容易。我将演示第一个重要的机器学习工具一一回归（regression ）, 并给出精确的数学表达式。首先，你在回归中学习到的很多技能会帮助你解决可能遇到的其它类型的问题。 读完本文，回归将成为你的机器学习工具箱中的得力工具。假设我们的数据记录了人们在每瓶啤酒瓶上花多少钱。A花了 2美元1瓶，B花了 4美元2瓶，C花 了 6美元3瓶。我们希望找到
4、一个方程，能够描述啤酒的瓶数如何影响总花费。例如，如果每瓶啤酒都 花费2美元，则线性方程y=2x可以描述购买特定数量啤酒的花费。当一条线能够很好的拟合一些数据点时，我们可以认为我们的线性模型表现良好。实际上，我们可以尝试 许多可能的斜率，而不是固定选择斜率值为2。斜率为参数，产生的方程为模型。用机器学习术语来说， 最佳拟合曲线的方程来自于学习模型的参数。另一个例子，方程y=3x也是一条直线，除了具有更陡的斜率。你可以用任何实数替换该系数，这个系数 称为w，方程仍为一条直线：y=wx。图1显示了改变参数w如何影响模型。我们将这种方式生成的所 有方程的集合表示为M= y=wx | we 。这个集合
5、表示所有满足y=wx的方程，其中w是实数。图1.参数w的不同值代表不同的线性方程。所有这些线性方程的集合构成线性模型M是所有可能的模型的集合。每选定一个w的值就会生成候选模型M(w) : y=wx。在TensorFlow中 编写的回归算法将迭代收敛到更好的模型参数 w。我们称最佳参数为w*，最佳拟合方程为M(w*): y=w*x。本质上，回归算法尝试设计一个函数(让我们将其称为f)，将输入映射到输出。函数的域是一个实数向 量贏d，其范围是实数集贏。函数的输入可以是连续的或离散的。然而，输出必须是连续的，如图2所 示。)continuousINPUTOUTPUTcontinuousregress
6、ion algorlthm图2.回归算法是为了产生连续的输出。输入允许是离散的或连续的。这种区别是重要的，因为离散的输 出值能更适合分类问题，我们将在下一章中讨论这个问题。附带说明，回归的预测值为连续输出，但有时这是过度的。有时我们只想预测一个离散的输出，例如0或 1(0和1之间不产生任何数值)。分类是一种更适合这类任务的技术。我们希望找到与给定数据(即是输入/输出数据对)相一致的函数f。不幸的是，可能的函数的数量是无限 的，所以我们不能一个一个地尝试。有太多的选择通常并不是一件好事。需要缩小我们要处理的所有函数 的范围。例如，若我们仅查找拟合数据的直线(不包含曲线)，则搜索将变得更加容易。练习1 :将10个整数映射到10个整数的所有可能函数有多少？例如，令(x)是输入变量取数字 0到9且输出为数字0到9的函数。例如模拟其输入的恒等函数identity function)如f(0)=0, f(1)=1,依此类推。还存在多少其它的函数？:10人10=10000000000如何判断回归算法可行？
