TensorFlow从0到1之TensorFlow实现多元线性回归（11）
在 TensorFlow 实现简单线性回归的基础上，可通过在权重和占位符的声明中稍作修改来对相同的数据进行多元线性回归。在多元线性回归的情况下，由于每个特征具有不同的值范围，归一化变得至关重要。这里是波士顿房价数据集的多重线性回归的代码，使用13个输入特征。波士顿房价数据集可从http://lib....
TensorFlow从0到1之TensorFlow实现简单线性回归（10）
本节将针对波士顿房价数据集的房间数量（RM）采用简单线性回归，目标是预测在最后一列（MEDV）给出的房价。波士顿房价数据集可从http://lib.stat.cmu.edu/datasets/boston处获取。本小节直接从 TensorFlow contrib数据集加载数据。使用随机梯度下降优化器...
TensorFlow从0到1之TensorFlow csv文件读取数据（9）
大多数人了解Pandas及其在处理大数据文件方面的实用性。TensorFlow 提供了读取这种文件的方法。前面章节中，介绍了如何在TensorFlow中读取文件，本节将重点介绍如何从CSV文件中读取数据并在训练之前对数据进行预处理。本节将采用哈里森和鲁宾菲尔德于1978年收集的波士顿房价数据集（http://...
TensorFlow从0到1之TensorFlow优化器（8）
高中数学学过，函数在一阶导数为零的地方达到其最大值和最小值。梯度下降算法基于相同的原理，即调整系数（权重和偏置）使损失函数的梯度下降。在回归中，使用梯度下降来优化损失函数并获得系数。本节将介绍如何使用 TensorFlow 的梯度下降优化器及其变体。按照损失函数的负梯度成比例地对系数（W和b）进行更...
TensorFlow从0到1之TensorFlow损失函数（7）
正如前面所讨论的，在回归中定义了损失函数或目标函数，其目的是找到使损失最小化的系数。本节将介绍如何在 TensorFlow 中定义损失函数，并根据问题选择合适的损失函数。声明一个损失函数需要将系数定义为变量，将数据集定义为占位符。可以有一个常学习率或变化的学习率和正则化常数。在下面的代码中，设m是样...
TensorFlow从0到1之回归算法（6）
回归是数学建模、分类和预测中最古老但功能非常强大的工具之一。回归在工程、物理学、生物学、金融、社会科学等各个领域都有应用，是数据科学家常用的基本工具。回归通常是机器学习中使用的第一个算法。通过学习因变量和自变量之间的关系实现对数据的预测。例如，对房价估计时，需要确定房屋面积（自变量）与其价格（因变量）之间的关系，可以利...
spark机器学习从0到1决策树(六）
决策树及其集合是分类和回归的机器学习任务的流行方法。决策树被广泛使用，因为它们易于解释，处理分类特征，扩展到多类分类设置，不需要特征缩放，并且能够捕获非线性和特征交互。诸如随机森林和增强的树集合算法是分类和回归任务的最佳表现者。决策树（decisiontree）是一种基本的分类与回归方法，这里主要介绍用于分...
flink入门到实战（6）flink批处理从0到1
介绍：flink提供了大量的已经实现好的source方法，你也可以自定义source通过实现sourceFunction接口来自定义无并行度的source，或者你也可以通过实现ParallelSourceFunction 接口or继承RichParallelSourceFunction 来自定义有并...