大家好，又见面了，我是你们的朋友全栈君。如果您正在找激活码,请点击查看最新教程,关注关注公众号 “全栈程序员社区” 获取激活教程,可能之前旧版本教程已经失效.最新Idea2022.1教程亲测有效,一键激活。
Jetbrains全系列IDE使用 1年只要46元 售后保障 童叟无欺
线性回归算法能表示为矩阵计算，Ax=b。这里要解决的是用矩阵x来求解系数。
1.导入必要的编程库，初始化计算图，并生成数据。
>>> import matplotlib.pyplot as plt
>>> import numpy as np
>>> import tensorflow as tf
>>> sess=tf.Session()
>>> x_vals=np.linspace(0,10,100)
>>> y_vals=x_vals+np.random.normal(0,1,100)
2.创建后续求逆方法所需的矩阵。创建A矩阵，其为矩阵x_vals_column和ones_column的合并。然后以矩阵y_vals创建b矩阵。
>>> x_vals_column=np.transpose(np.matrix(x_vals))
>>> ones_column=np.transpose(np.matrix(np.repeat(1,100)))
>>> A=np.column_stack((x_vals_column,ones_column))
>>> b=np.transpose(np.matrix(y_vals))
3.将A和b矩阵转换成张量
>>> A_tensor=tf.constant(A)
>>> b_tensor=tf.constant(b)
4.使用tf.matrix_inverse（）方法求逆
>>> tA_A=tf.matmul(tf.transpose(A_tensor),A_tensor)
>>> tA_A_inv=tf.matrix_inverse(tA_A)
>>> product=tf.matmul(tA_A_inv,tf.transpose(A_tensor))
>>> solution=tf.matmul(product,b_tensor)
>>> solution_eval=sess.run(solution)
5.从解中抽取系数、斜率和y截距
>>> slope=solution_eval[0][0]
>>> y_intercept=solution_eval[1][0]
>>> print(‘slope:’+str(slope))
slope:0.9469285572619588
>>> print(‘y_intercept:’+str(y_intercept))
y_intercept:0.2053153160416511
>>> best_fit=[]
>>> for i in x_vals:
… best_fit.append(slope*i+y_intercept)
…
>>> plt.plot(x_vals,y_vals,’o’,label=’Data’)
[<matplotlib.lines.Line2D object at 0x000001ED8EA34390>]
>>> plt.plot(x_vals,best_fit,’r-‘,label=’Best fit line’,linewidth=3)
[<matplotlib.lines.Line2D object at 0x000001ED8BF32FD0>]
>>> plt.legend(loc=’upper left’)
<matplotlib.legend.Legend object at 0x000001ED8EA34D68>
>>> plt.show()
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/171648.html原文链接：https://javaforall.net
