google機器學習框架tensorflow學習筆記（七）

使用Tensorflow的基本步驟

第五步：訓練模型

現在，我們可以在 linear_regressor 上調用 train() 來訓練模型。我們會將 my_input_fn 封裝在 lambda 中，以便可以將 my_feature 和 target 作為參數傳入，首先，我們會訓練 100 步。

_ = linear_regressor.train(
input_fn = lambda:my_input_fn(my_feature, targets),
steps=100
)

第六步：評估模型

我們基于該訓練數據做一次預測，看看我們的模型在訓練期間與這些數據的擬合情況。

注意：訓練誤差可以衡量您的模型與訓練數據的擬合情況，但并不能衡量模型泛化到新數據的效果。在后面的練習中，您將探索如何拆分數據以評估模型的泛化能力。

# Create an input function for predictions.
# Note: Since we're making just one prediction for each example, we don't 
# need to repeat or shuffle the data here.
prediction_input_fn =lambda: my_input_fn(my_feature, targets, num_epochs=1, shuffle=False)

# Call predict() on the linear_regressor to make predictions.
predictions = linear_regressor.predict(input_fn=prediction_input_fn)

# Format predictions as a NumPy array, so we can calculate error metrics.
predictions = np.array([item['predictions'][0] for item in predictions])

# Print Mean Squared Error and Root Mean Squared Error.
mean_squared_error = metrics.mean_squared_error(predictions, targets)
root_mean_squared_error = math.sqrt(mean_squared_error)
print "Mean Squared Error (on training data): %0.3f" % mean_squared_error
print "Root Mean Squared Error (on training data): %0.3f" % root_mean_squared_error

運行以上程序可以得到：

Mean Squared Error (on training data): 56367.025
Root Mean Squared Error (on training data): 237.417

這是出色的模型嗎？您如何判斷誤差有多大？

由于均方誤差 (MSE) 很難解讀，因此我們經常查看的是均方根誤差 (RMSE)。RMSE 的一個很好的特性是，它可以在與原目標相同的規模下解讀。

我們來比較一下 RMSE 與目標最大值和最小值的差值：

min_house_value = california_housing_dataframe["median_house_value"].min()
max_house_value = california_housing_dataframe["median_house_value"].max()
min_max_difference = max_house_value - min_house_value

print "Min. Median House Value: %0.3f" % min_house_value
print "Max. Median House Value: %0.3f" % max_house_value
print "Difference between Min. and Max.: %0.3f" % min_max_difference
print "Root Mean Squared Error: %0.3f" % root_mean_squared_error

運行以上程序可以得到：

Min. Median House Value: 14.999
Max. Median House Value: 500.001
Difference between Min. and Max.: 485.002
Root Mean Squared Error: 237.417

我們的誤差跨越目標值的近一半范圍，可以進一步縮小誤差嗎？

這是每個模型開發者都會煩惱的問題。我們來制定一些基本策略，以降低模型誤差。

首先，我們可以了解一下根據總體摘要統計信息，預測和目標的符合情況。

calibration_data = pd.DataFrame()
calibration_data["predictions"] = pd.Series(predictions)
calibration_data["targets"] = pd.Series(targets)
calibration_data.describe()

好的，此信息也許有幫助。平均值與模型的 RMSE 相比情況如何？各種分位數呢？

我們還可以將數據和學到的線可視化。我們已經知道，單個特征的線性回歸可繪制成一條將輸入 x 映射到輸出 y 的線。

首先，我們將獲得均勻分布的隨機數據樣本，以便繪制可辨的散點圖。

sample = california_housing_dataframe.sample(n=300)

然后，我們根據模型的偏差項和特征權重繪制學到的線，并繪制散點圖。該線會以紅色顯示。

# Get the min and max total_rooms values.
x_0 = sample["total_rooms"].min()
x_1 = sample["total_rooms"].max()

# Retrieve the final weight and bias generated during training.
weight = linear_regressor.get_variable_value('linear/linear_model/total_rooms/weights')[0]
bias = linear_regressor.get_variable_value('linear/linear_model/bias_weights')

# Get the predicted median_house_values for the min and max total_rooms values.
y_0 = weight * x_0 + bias 
y_1 = weight * x_1 + bias

# Plot our regression line from (x_0, y_0) to (x_1, y_1).
plt.plot([x_0, x_1], [y_0, y_1], c='r')

# Label the graph axes.
plt.ylabel("median_house_value")
plt.xlabel("total_rooms")

# Plot a scatter plot from our data sample.
plt.scatter(sample["total_rooms"], sample["median_house_value"])

# Display graph.
plt.show()

這條初始線看起來與目標相差很大。看看您能否回想起摘要統計信息，并看到其中蘊含的相同信息。

綜上所述，這些初始健全性檢查提示我們也許可以找到更好的線。

本文鏈接：https://blog.csdn.net/qq_41196472/article/details/79836514

智能推薦

《TensorFlow-實戰Google深度學習框架》學習筆記計算圖、張量、會話

3.1 TensorFlow計算模型——計算圖 Tensor：是張量,可以簡單理解為多維數組，相當于表明了數據結構 Flow：是流，表達張量之間通過計算相互轉化的過程...

【TensorFlow實戰Google深度學習框架】學習筆記（圖像識別與卷積神經網絡）

1、圖像識別經典數據集Cifar cifar是32x32x3的彩色圖片集 2、卷積神經網絡簡介 3、卷積神經網絡常用的結構 3.1卷積層 Filter的深度就是Filter的個數 3.2池化層 4、經典卷積神經網絡模型卷積神經網絡結構的問題卷積層和池化層的參數配置問題 5、卷積網絡的遷移學習遷移學習可以總結為在別人成功的模型（網絡結構和訓練好的參數）的基礎上修改、增減自己的網絡結構。這樣做的...

【Google 機器學習筆記】十、TensorFlow 2.1 實戰（二）基本圖像分類（MNIST）

【Google 機器學習筆記】十、TensorFlow 2.1 實戰（二）基本圖像分類為節省時間，降低學習成本，本節實戰的圖片分類對象 tf.keras 中內置的 MNIST 數據集。首先回顧機器學習編程的幾個基本步驟 1. 數據 &em...

Tensorflow【實戰Google深度學習框架】—使用 TensorFlow 實現模型

文章目錄 1.建立模型(Model) 2.使用 TensorFlow 實現模型 3.使用 TensorFlow 訓練模型 1.建立模型(Model) 如下為我們進行某項實驗獲得的一些實驗數據：我們將這些數據放到一個二維圖上可以看的更直觀一些，如下，這些數據在圖中表現為一些離散的點我們需要根據現有的這些數據歸納出一個通用模型，通過這個模型我們可以預測其他的輸入值產生的輸出值。如下圖，我們選擇的...

google 機器學習速成課程筆記1

學習谷歌的機器學習速成課程標簽：標簽是我們要預測的事物，也就是y 特征：特征是輸入變量，也就是x，按照如下方式指定{x1,x2,x3….,xN}，合適的特征應該是具體可量化的，for example，喜歡不是可觀察且可量化的指標，鞋的美觀程度也不是，但是鞋碼和用戶點擊鞋子描述的次數是一種具體可量化的指標。樣本：指數據的特定實例，有標簽樣本和無標簽樣本模型：模型定義了特征和標簽之...

google機器學習框架tensorflow學習筆記（七）

使用Tensorflow的基本步驟

智能推薦

猜你喜歡