TensorFlow 基础-线性回归

线性回归数据模型

β0的值( 也称为截距)显示估算的回归线与y 轴交叉的点 ，而β1 的值 确定 估算的回归线的斜率。的 随机误差
描述因变量和自变量(该模型的扰动，部分之间的线性关系的随机分量 ÿ 该 X
无法解释)。真正的回归模型通常是未知的(因为我们无法捕获影响因变量的所有影响)，因此与观察到的数据点相对应的随机误差项的值仍然未知。但是，可以通过为观察到的数据集计算模型的参数来估计回归模型。

回归背后的想法是 从样本中估计参数 β0 和 β1。如果我们能够确定这两个参数的最佳值，则在给定X的值的情况下，我们将具有 最佳拟合线，
可用于预测 y的值 。换句话说，我们尝试拟合一条线以观察输入变量和输出变量之间的关系，然后进一步使用它来预测未见输入的输出。

参考：https://blog.csdn.net/weixin_39638014/article/details/111044762

线性回归模型实现

1、读取数据

import pandas as pd
import numpy as np
from PIL import Image
from sklearn.model_selection import train_test_split
from matplotlib import pyplot as plt
from tensorflow.keras.layers import Activation,Dense, Flatten, Input
from tensorflow.keras import Model
from tensorflow.keras.optimizers import Adam
from tensorflow.keras.utils import to_categorical 

# 读取CSV文件
CsvFile = pd.read_csv('./master_file.csv')

# 查看csv数据结构
CsvFile.head()

CsvFile.hist()