如何使用TensorFlow在汽车MPG数据集上进行预测？

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、深度学习应用等等。它被用于研究和生产目的。

张量是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”。张量只是多维数组或列表。它们可以使用三个主要属性来识别：

排名 − 它告诉我们张量的维度。可以理解为定义的张量中的张量的级别或张量的维数。
类型 − 它告诉我们张量元素相关联的数据类型。它可以是一维、二维或n维张量。
形状 − 它是行数和列数的总和。

回归问题的目标是预测连续或离散变量的输出，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。我们需要用这个数据集来预测特定车辆的燃油效率。

我们使用Google Colaboratory来运行下面的代码。Google Colab或Colaboratory可以在浏览器中运行Python代码，并且无需任何配置，可以免费访问GPU（图形处理单元）。Colaboratory是建立在Jupyter Notebook之上的。以下是代码片段−

更多Python相关文章，请阅读：Python 教程

示例

print("作为输入变量的函数查看预测")
x = tf.linspace(0.0, 250, 251)
y = hrspwr_model.predict(x)

def plot_horsepower(x, y):
   plt.scatter(train_features['马力'], train_labels, label='实际值')
   plt.plot(x, y, color='g', label='预测')
   plt.xlabel('马力')
   plt.ylabel('每加仑英里数')
   plt.legend()

plot_horsepower(x,y)

代码来源− https://www.tensorflow.org/tutorials/keras/regression