mobile menu

The Arrow Newsletter

mobile menu

텐서플로우 linear regression 예제

[6] 오렐리앙 제론에 의해 Scikit-Learn 및 텐서 플로우와 실습 기계 학습 때로는 연속 기능과 레이블 사이의 관계는 선형이 아니다. 예를 들어, 나이와 소득- 사람의 소득은 경력의 초기 단계에서 증가 할 수 있습니다, 다음 성장은 어떤 시점에서 둔화 될 수 있습니다, 마지막으로, 소득은 은퇴 후 감소. 이 시나리오에서는 원시 나이를 실제 값 피쳐 열로 사용하는 것은 모델이 세 가지 경우 중 하나만 배울 수 있기 때문에 좋은 선택이 아닐 수 있습니다. Tensorflow는 현재 분류 작업에 대한 3개, 회귀 작업에 대한 3을 포함하여 6개의 미리 빌드된 추정기를 제공합니다: 텐서플로우 가져오기, 기능 열 지원 및 지원 모듈: 기계 학습으로의 다이빙은 쉽지 않습니다. 어떤 사람들은 이론으로 시작하고, 일부는 코드로 시작합니다. 나는 기본 개념을 이해하고 기계 학습 또는 TensorFlow에 빠져있는 사람들이 시작하는 데 도움이 될 수 있도록이 기사를 썼다. 선형 회귀는 매우 간단한 문제이며 scikit 학습 패키지와 같은 인기있는 모듈로 해결할 수 있다는 점을 감안할 때 기계 학습의 여정에 좋은 시작입니다. 이 문서에서는 TensorFlow를 사용하여 선형 회귀를 구현하는 방법에 대한 라인별 접근 방식을 설명합니다. 참조: https://www.tensorflow.org/api_docs/python/tf/Variable TensorFlow의 모든 그래프는 세션이라는 환경에서 실행됩니다. 세션은 그래프를 처리하므로 계산에서 문제가 발생하는 것에 대해 걱정할 필요가 없습니다. 그래프를 제어하여 더 강력한 작업을 수행할 수 있지만 지금은 TensorFlow가 이를 처리하도록 하겠습니다.

숫자 변수를 적절한 형식으로 변환해야 합니다. 텐서플로우는 연속 변수를 변환하는 방법을 제공합니다: tf.feature_column.numeric_column(). 의 실제 값을 알지 못합니다. 딥 러닝의 튜토리얼에서, 당신은 선형 모델을 이길하려고합니다 지금 모델을 시도. 학습 데이터에서 10개의 예제를 일괄 처리하고 model.predict를 호출합니다. 각 기본 피처 열을 별도로 사용하면 데이터를 설명하기에 충분하지 않을 수 있습니다. 예를 들어 교육과 레이블(수입 50,000달러)의 상관관계는 직업마다 다를 수 있습니다. 따라서 교육=”학사”와 교육=”석사”에 대한 단일 모델 가중치만 학습하는 경우 모든 교육-직업 조합을 캡처하지 는 않습니다(예: 교육=”학사” 및 직업=”Exec-managerial” AND 교육=”학사” 및 직업=”공예 수리”).

예제를 살펴보겠습니다. 아이스크림 가게의 판매를 예측하고 싶다고 상상해 보십시오. 데이터 집합에는 날씨(예: 우천, 맑음, 흐림), 고객 정보(예: 급여, 성별, 결혼 여부)와 같은 다양한 정보가 포함되어 있습니다. 선형 회귀를 사용하는 경우 이 방정식을 작성할 수 있습니다. 시각적 인 예를 들어 교차 된 열해시 버킷의 효과는이 노트북 TensorFlow를 참조하면이 두 단계를 쉽게 수행 할 수 있습니다. 데이터가 파이프라인으로 이동하면 필요한 관측값(일괄 처리)과 데이터를 섞어야 하는지 알 수 있습니다.