Regression Examples（回归的例子）

Regression Examples

本单元提供以下简短示例，演示如何在估计器中实现回归：

示例	数据集	如何去证明
linear_regression.py	imports85	使用 `tf.estimator.LinearRegressor` 估计器来训练数值数据的回归模型。
linear_regression_categorical.py	imports85	利用 `tf.estimator.LinearRegressor` 估计器对分类数据进行回归模型的训练。
dnn_regression.py	imports85	利用`tf.estimator.DNNRegressor` 估计器, 用深神经网络训练离散数据的回归模型。

前面的示例依赖于以下数据集实用程序：

实用程序	描述
imports85.py	此程序提供实用程序函数, 将 imports85 数据集加载到其他 TensorFlow 程序 (例如 linear_regression 和 dnn_regression) 可以使用的格式中。

运行示例

在运行这些示例之前，您必须安装TensorFlow。根据您安装TensorFlow的方式，您可能还需要激活您的TensorFlow环境。然后，执行以下操作：

1. 从github克隆TensorFlow存储库。

2. cd 到下载的树的顶部。

3. 查看当前tensorflow版本的分支： git checkout rX.X

4. cd tensorflow/examples/get_started/regression.

您现在可以像运行任何Python程序一样运行tensorflow/examples/get_started/regression目录中的任何示例TensorFlow 程序：

python linear_regressor.py

在训练期间，所有三个程序都输出以下信息：

检查点目录的名称，对于TensorBoard很重要。

每100次迭代后的训练损失，这有助于确定模型是否收敛。

例如，这里有一些可能的linear_regressor.py程序输出：

INFO:tensorflow:Saving checkpoints for 1 into /tmp/tmpAObiz9/model.ckpt.
INFO:tensorflow:loss = 161.308, step = 1
INFO:tensorflow:global_step/sec: 1557.24
INFO:tensorflow:loss = 15.7937, step = 101 (0.065 sec)
INFO:tensorflow:global_step/sec: 1529.17
INFO:tensorflow:loss = 12.1988, step = 201 (0.065 sec)
INFO:tensorflow:global_step/sec: 1663.86
...
INFO:tensorflow:loss = 6.99378, step = 901 (0.058 sec)
INFO:tensorflow:Saving checkpoints for 1000 into /tmp/tmpAObiz9/model.ckpt.
INFO:tensorflow:Loss for final step: 5.12413.

linear_regressor.py

linear_regressor.py 训练一个模型，用两个数字特征来预测汽车的价格。

估计量	LinearRegressor, 它是线性回归的预作估计。
特点	数值: 体型和制作。
标签	数值: 价格。
算法	线性回归。

在对模型进行训练之后，该方案通过输出两个车型的预测车价结束。

linear_regression_categorical.py

该程序演示了表示分类特征的方式。它还演示了如何基于混合的分类和数字特征来训练线性模型。

估计量	LinearRegressor, 它是线性回归的预作估计。
特点	分类: 控制重量和高速公路-加仑。数值: 体型和制作。
标签	数值: 价格。
算法	线性回归。

dnn_regression.py

就像linear_regression_categorical.py，这个dnn_regression.py例子训练了一个模型，用两个特征来预测汽车的价格。与此不同的是linear_regression_categorical.py，该dnn_regression.py示例使用深度神经网络来训练模型。这两个例子都依赖于相同的功能; dnn_regression.py演示如何处理深层神经网络中的分类特征。

估计量	DNNRegressor, 这是一个预先作出的回归估计, 依赖于一个深神经网络。隐藏 \\ _units 参数定义网络的地形。
特点	分类: 控制重量和高速公路-加仑。数值: 体型和制作。
标签	数值: 价格。
算法	通过一个深神经网络回归。

打印损失值后，程序在测试集上输出均方误差。