Linjär regression

Introduktion till TensorFlow i Python

Isaiah Hull

Visiting Associate Professor of Finance, BI Norwegian Business School

Vad är linjär regression?

Den här bilden visar ett spridningsdiagram med den naturliga logaritmen av bostadsyta i kvadratfot mot den naturliga logaritmen av bostadspriset i dollar.

Vad är linjär regression?

Den här bilden visar en regressionslinje anpassad till ett spridningsdiagram med den naturliga logaritmen av bostadsyta i kvadratfot mot den naturliga logaritmen av bostadspriset i dollar.

Den linjära regressionsmodellen

En linjär regressionsmodell antar ett linjärt samband:
- $price = intercept + size*slope + error$
Det här är ett exempel på univariat regression.
- Det finns bara ett särdrag, size.
Multipel regression har fler än ett särdrag.
- T.ex. size och location

Linjär regression i TensorFlow

# Define the targets and features
price = np.array(housing['price'], np.float32)
size = np.array(housing['sqft_living'], np.float32)

# Define the intercept and slope
intercept = tf.Variable(0.1, np.float32)
slope = tf.Variable(0.1, np.float32)

# Define a linear regression model
def linear_regression(intercept, slope, features = size):
    return intercept + features*slope

# Compute the predicted values and loss
def loss_function(intercept, slope, targets = price, features = size):
    predictions = linear_regression(intercept, slope)
    return tf.keras.losses.mse(targets, predictions)

Linjär regression i TensorFlow

# Define an optimization operation
opt = tf.keras.optimizers.Adam()

# Minimize the loss function and print the loss
for j in range(1000):
    opt.minimize(lambda: loss_function(intercept, slope),\
    var_list=[intercept, slope])
    print(loss_function(intercept, slope))

tf.Tensor(10.909373, shape=(), dtype=float32)
...
tf.Tensor(0.15479447, shape=(), dtype=float32)

# Print the trained parameters
print(intercept.numpy(), slope.numpy())

Nu kör vi en övning!

Introduktion till TensorFlow i Python