TensorFlow - Régression linéaire

Dans ce chapitre, nous nous concentrerons sur l'exemple de base de l'implémentation de la régression linéaire à l'aide de TensorFlow. La régression logistique ou régression linéaire est une approche d'apprentissage automatique supervisé pour la classification des catégories discrètes d'ordre. Notre objectif dans ce chapitre est de construire un modèle par lequel un utilisateur peut prédire la relation entre les variables prédictives et une ou plusieurs variables indépendantes.

La relation entre ces deux variables est considérée comme linéaire. Si y est la variable dépendante et x est considéré comme la variable indépendante, alors la relation de régression linéaire de deux variables ressemblera à l'équation suivante -

Y = Ax+b

Nous allons concevoir un algorithme de régression linéaire. Cela nous permettra de comprendre les deux concepts importants suivants -

  • Fonction de coût
  • Algorithmes de descente de gradient

La représentation schématique de la régression linéaire est mentionnée ci-dessous -

La vue graphique de l'équation de régression linéaire est mentionnée ci-dessous -

Étapes pour concevoir un algorithme de régression linéaire

Nous allons maintenant découvrir les étapes qui aident à concevoir un algorithme de régression linéaire.

Étape 1

Il est important d'importer les modules nécessaires pour tracer le module de régression linéaire. Nous commençons à importer la bibliothèque Python NumPy et Matplotlib.

import numpy as np 
import matplotlib.pyplot as plt

Étape 2

Définissez le nombre de coefficients nécessaires à la régression logistique.

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

Étape 3

Itérer les variables pour générer 300 points aléatoires autour de l'équation de régression -

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])

Étape 4

Visualisez les points générés à l'aide de Matplotlib.

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

Le code complet de la régression logistique est le suivant -

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()

Le nombre de points pris en entrée est considéré comme des données d'entrée.