1特征数据归一化

在这里插入图片描述
特征数据各个特征之间有所差距，需要平衡权重，而标签只有列。归一化用于消除各个特征变量的量纲
完整代码

%matplotlib notebook
import tensorflow as tf
import matplotlib.pyplot as plt
import numpy as np
import pandas as pd 
# read file kit
from sklearn.utils import shuffle
#洗牌
# read file
df=pd.read_csv("data/boston.csv",header=0)
# show data summary数据摘要
print(df.describe())
# 获取df的值
df=df.values
#把df转换为np的数组格式
df=np.array(df)
#对特征数据0-11做（0-1）的归一化
for i in range(12):
    df[:,i]=df[:,i]/(df[:,i].max()-df[:,i].min())
# x_data前12列特征数据
x_data=df[:,:12]
#y_data为最后一列标签数据
y_data=df[:,12]
#None行的数量位置，可以强化适应性
x=tf.placeholder(tf.float32,[None,12],name='X')
y=tf.placeholder(tf.float32,[None,1],name='Y')
#定义了一个命名空间
with tf.name_scope("Model"):
    #w初始化为shape=（12,1）的随机数
    w=tf.Variable(tf.random_normal([12,1],stddev=0.01),name="W")
    # b初始化
    b=tf.Variable(1.0,name='b')
    #w和x矩阵相乘
    def model(x,w,b):
        return tf.matmul(x,w)+b
    #预测计算操作，前向计算节点
    pred=model(x,w,b)   
# 设置训练参数
#迭代轮数
train_epochs=50
#学习率
learning_rate=0.01
#定义均方差损失函数
with tf.name_scope("LossFunction"):
    loss_function=tf.reduce_mean(tf.pow(y-pred,2))#均方差
#创建优化器
optimizer=tf.train.GradientDescentOptimizer(learning_rate).minimize(loss_function)
sess=tf.Session()
#定义初始化变量操作
init=tf.global_variables_initializer()
sess.run(init)
for epoch in range(train_epochs):
    loss_sum=0.0
    for xs,ys in  zip(x_data,y_data):
        xs=xs.reshape(1,12)
        ys=ys.reshape(1,1)
        _,loss=sess.run([optimizer,loss_function],feed_dict={x:xs,y:ys})
        loss_sum=loss_sum+loss
      xvalues,yvalues=shuffle(x_data,y_data)
      b0temp=b.eval(session=sess)
      w0temp=w.eval(session=sess)
      loss_average=loss_sum/len(y_data)
      xprint("epoch=",epoch+1,"loss=",loss_average,"b=",b0temp,"w=",w0temp)

在这里插入图片描述

2模型应用

在这里插入图片描述

n=348
x_test=x_data[n]
x_test=x_test.reshape(1,12)
predict=sess.run(pred,feed_dict={x:x_test})
print("预测值是%f"%predict)
target=y_data[n]
print("实际值是%f"%target)