如何使用TensorFlow中的DNN模型预测Auto MPG数据集上的MPG值?
TensorFlow是由Google提供的机器学习框架。它是一个开源框架,与Python一起用于实现算法、深度学习应用程序等等。它用于研究和生产目的。Tensor是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。这个流程图被称为“数据流图”。张量不过是多维数组或列表。
“tensorflow”包可以使用以下代码在Windows上安装 –
pip install tensorflow
回归问题的目标是预测连续变量或离散变量的输出,例如价格、概率、是否会下雨等等。
我们使用的数据集称为“Auto MPG”数据集。它包含1970年代和1980年代汽车的燃油效率。它包括重量、马力、排量等属性。在这个数据集中,我们需要预测特定车辆的燃油效率。
我们使用Google Colaboratory运行以下代码。Google Colab或Colaboratory可以在浏览器上运行Python代码,并需要零配置和免费访问GPU
(图形处理单元)。Colaboratory是建立在Jupyter Notebook之上的。下面是代码段 –
更多Python相关文章,请阅读:Python 教程
例
print("正在构建和编译模型")
dnn_model = build_compile_model(normalizer)
print("显示统计摘要")
dnn_model.summary()
print("将数据拟合到模型")
history = dnn_model.fit(
train_features, train_labels,
validation_split=0.2,
verbose=0, epochs=100)
print("显示误差与纪元")
plot_loss(history)
print("正在评估预测")
test_results['dnn_model'] = dnn_model.evaluate(test_features, test_labels, verbose=0)
pd.DataFrame(test_results, index=['平均绝对误差[MPG]']).T
代码贡献- https://www.tensorflow.org/tutorials/keras/regression
输出
解释
-
模型正在构建和编译。
-
使用“summary”函数显示统计值,如计数、平均值、中位数等。
-
将编译好的模型拟合到数据中。
-
将步数与预测误差的可视化绘制在控制台上。
-
与线性回归相比,使用DNN更好。