TensorFlow - Regressione lineare

In questo capitolo, ci concentreremo sull'esempio di base dell'implementazione della regressione lineare utilizzando TensorFlow. La regressione logistica o regressione lineare è un approccio di apprendimento automatico supervisionato per la classificazione di categorie discrete di ordine. Il nostro obiettivo in questo capitolo è costruire un modello in base al quale un utente possa prevedere la relazione tra variabili predittive e una o più variabili indipendenti.

La relazione tra queste due variabili è considerata lineare. Se y è la variabile dipendente e x è considerata la variabile indipendente, la relazione di regressione lineare di due variabili sarà simile alla seguente equazione:

Y = Ax+b

Progetteremo un algoritmo per la regressione lineare. Questo ci permetterà di comprendere i seguenti due importanti concetti:

  • Funzione di costo
  • Algoritmi di discesa del gradiente

La rappresentazione schematica della regressione lineare è menzionata di seguito:

La vista grafica dell'equazione della regressione lineare è menzionata di seguito:

Passaggi per progettare un algoritmo per la regressione lineare

Ora impareremo i passaggi che aiutano nella progettazione di un algoritmo per la regressione lineare.

Passo 1

È importante importare i moduli necessari per tracciare il modulo di regressione lineare. Iniziamo importando la libreria Python NumPy e Matplotlib.

import numpy as np 
import matplotlib.pyplot as plt

Passo 2

Definire il numero di coefficienti necessari per la regressione logistica.

number_of_points = 500 
x_point = [] 
y_point = [] 
a = 0.22 
b = 0.78

Passaggio 3

Itera le variabili per generare 300 punti casuali attorno all'equazione di regressione -

Y = 0,22x + 0,78

for i in range(number_of_points): 
   x = np.random.normal(0.0,0.5) 
   y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x]) 
   y_point.append([y])

Passaggio 4

Visualizza i punti generati utilizzando Matplotlib.

fplt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend() plt.show()

Il codice completo per la regressione logistica è il seguente:

import numpy as np 
import matplotlib.pyplot as plt 

number_of_points = 500 
x_point = [] 
y_point = [] 
a = 0.22 
b = 0.78 

for i in range(number_of_points): 
   x = np.random.normal(0.0,0.5) 
   y = a*x + b +np.random.normal(0.0,0.1) x_point.append([x]) 
   y_point.append([y]) 
   
plt.plot(x_point,y_point, 'o', label = 'Input Data') plt.legend() 
plt.show()

Il numero di punti che viene preso come input è considerato come dati di input.