在这里插入图片描述

这篇文章使用实际的统计数据来确认对线性回归的曲线拟合的效果，Iris数据集中花瓣的长度和宽度之间的关系满足明显的线性关系，这里我们将使用前文多次使用的方式来对Iris数据进行分析。

Iris数据集

四个特征

每条数据都从鸢尾花的如下四个特征进行描述

特征	说明
Sepal.Length	花萼长度
Sepal.Width	花萼宽度
Petal.Length	花瓣长度
Petal.Width	花瓣宽度

花瓣长度 x 花瓣宽度

在这里插入图片描述

数据load

使用如下方式加载训练数据

from   sklearn import datasets

irisdata =  datasets.load_iris()
xdata = irisdata.data[:,2]
ydata = irisdata.data[:,3]

示例代码

liumiaocn:tensorflow liumiao$ cat basic-operation-14.py 
import tensorflow as tf
import numpy      as np
import os
import matplotlib.pyplot as plt
from   sklearn import datasets

os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

irisdata =  datasets.load_iris()

xdata = irisdata.data[:,2]
ydata = irisdata.data[:,3]

print("init modole ...")
X = tf.placeholder("float",name="X")
Y = tf.placeholder("float",name="Y")
W = tf.Variable(-3., name="W")
B = tf.Variable(3., name="B")
linearmodel = tf.add(tf.multiply(X,W),B)
lossfunc = (tf.pow(Y - linearmodel, 2))
learningrate = 0.01

print("set Optimizer")
trainoperation = tf.train.GradientDescentOptimizer(learningrate).minimize(lossfunc)

sess = tf.Session()
init = tf.global_variables_initializer()
sess.run(init)

index = 1
print("caculation begins ...")
for j in range(100):
  for i in range(100):
    sess.run(trainoperation, feed_dict={X: xdata[i], Y:ydata[i]})
  if j % 10 == 0:
    print("j = %s index = %s" %(j,index))
    plt.subplot(2,5,index) 
    plt.scatter(xdata,ydata)
    labelinfo="iteration: " + str(j)
    plt.plot(xdata,B.eval(session=sess)+W.eval(session=sess)*xdata,'b',label=labelinfo)
    plt.legend() 
    index = index + 1

print("caculation ends ...")
print("##After Caculation: ") 
print("   B: " + str(B.eval(session=sess)) + ", W : " + str(W.eval(session=sess)))

plt.show()
liumiaocn:tensorflow liumiao$

执行&确认

线性拟合曲线的计算过程：
在这里插入图片描述

线性回归计算结果

##After Caculation: 
   B: -0.29767135, W : 0.39057708

总结

根据实际的期待输入和输出，这篇文章利用了实际的数据对于线性模型的确认进行了验证。

TensorFlow入门教程：18：Iris数据集的线性回归训练