Tensorflow keras 回归模型

import matplotlib as mpl
import matplotlib.pyplot as plt
# %matplotlib inline
import numpy as np
import sklearn
import pandas as pd
import os
import sys
import time
import tensorflow as tf
from tensorflow import keras

print(tf.__version__)
print(sys.version_info)
for module in mpl, np, pd, sklearn, tf, keras:
    print(module.__name__, module.__version__)
from sklearn.datasets import fetch_california_housing

## 数据收集
housing = fetch_california_housing()

print(housing.DESCR)
print(housing.data.shape)
print(housing.target.shape)

import pprint
pprint.pprint(housing.data[0:5])
pprint.pprint(housing.target[0:5])

from sklearn.model_selection import train_test_split
#分离测试集
x_train_all, x_test, y_train_all, y_test = train_test_split(
    housing.data, housing.target,random_state=7,test_size=0.25)
                            #控制test_size控制測試集的比例，0.25==默认
# 分离训练集验证集
x_train, x_valid, y_train, y_valid   = train_test_split(
    x_train_all, y_train_all,random_state=11)

print(x_valid.shape, y_valid.shape)  # 验证集
print(x_train.shape, y_train.shape)  # 训练集
print(x_test.shape, y_test.shape)    # 测试集
print(np.max(x_train), np.min(x_train))# 打印训练集中的极值


## 归一化  x = （x - u（均值）） / std(方差) 就得到符合均值是0,方差是1的
#  正态分布

from sklearn.preprocessing import StandardScaler
scaler = StandardScaler()#初始化对象
# 训练集
#先转成32，
#x_train: [None,28,28] -> [None,784] -> 再转换回来reshape(-1, 28, 28)
#fit_transform:fit把训练集的均值方差记录下来给别的用（验证集和测试集）
x_train_scaled = scaler.fit_transform(x_train)
# 验证集 直接用transform
x_vaild_scaled = scaler.transform(x_valid)
# 测试集 直接用transform
x_test_scaled = scaler.transform(x_test)





# tf.keras.models.Sequential()
"""
model = keras.models.Sequential()#建立对象
model.add(keras.layers.Flatten(input_shape=[28,28]))#展平输入
#把二维矩阵展成28*28的一维向量
model.add(keras.layers.Dense(300,activation="relu"))
# 全链接层  activation 是激活函数
# :让下一层的所有单元一一的与上一层连接
model.add(keras.layers.Dense(100,activation="relu"))
model.add(keras.layers.Dense(10,activation="softmax"))
"""
model = keras.models.Sequential(
    [
        keras.layers.Dense(30, activation="relu",
                           input_shape=x_train.shape[1: ]),#冒号后面应该是8
        keras.layers.Dense(1),#最后输出只有一个数，只有一层
    ])
model.summary()
model.compile(loss="mean_squared_error",#损失函数：均方差（平方和的均值）
              optimizer="sgd",  # 模型的求解方法,调整方法
               )

# relu: y = max(0,x)当x大于0时,输出x,否则输出0
# softmax: 将向量变成概率分布,x=[x1,x2,x3]
#			y = [e^x1/sum, e^x2/sum, e^x3/sum ],
#			sum = e^x1 + e^x2 + e^x3
#    reson for sparse: y是个数 需要 one_hot成向量
#  如果y是一个向量,直接用categorical_crossentropy
# model编译








callbacks = [
    keras.callbacks.EarlyStopping(patience=5, min_delta = 1e-3),#min_delta阈值：训练间的差别，
                                          # patience ：连续多少次发生min_delta的情况要停止
                                            # 比这个低的话，要停止
]

# 开启训练
history = model.fit(x_train_scaled, y_train, epochs=100,  # 训练集遍历10次
                    validation_data=(x_vaild_scaled, y_valid), # 验证集
                    callbacks=callbacks)



def plot_learning_curves(history):
    pd.DataFrame(history.history).plot(figsize=(8, 5))
    # 把数据转换成DataFrame(一种数据结构) 图的大小 (8 ,5)
    plt.grid(True)  # 显示网格
    plt.gca().set_ylim(0, 1)  # 设置y坐标轴的范围
    plt.show()


plot_learning_curves(history)

# model.evaluate(x_test_scaled,y_test) # 测试集测试

与分类模型相比的变动:
1.损失函数变成

	loss="mean_squared_error",#损失函数：均方差（平方和的均值

2.最后只有一层,因为结果只是个数