Я изучаю tenorflow в настоящее время и не могу окутать голову, почему shadoworflow не делает правильного предсказания по следующей простой проблеме регрессии.
X - случайные числа от 1000 до 8000 Y - это X + 250
Поэтому, если X равно 2000, Y равно 2250. Это кажется проблемой линейной регрессии для меня. Тем не менее, когда я пытаюсь сделать прогнозы, это нигде близко к тому, что я ожидаю, X из 1000 дает мне прогноз 1048 вместо 1250.
Также потери и средняя потеря огромны:
{'average_loss': 10269.81, 'loss': 82158.48, 'global_step': 1000}
Вот полный код:
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import tensorflow as tf
from sklearn.model_selection import train_test_split
x_data = np.random.randint(1000, 8000, 1000000)
y_true = x_data + 250
feat_cols = [tf.feature_column.numeric_column('x', shape=[1])]
estimator = tf.estimator.LinearRegressor(feature_columns=feat_cols)
x_train, x_eval, y_train, y_eval = train_test_split(x_data, y_true, test_size=0.3, random_state=101)
input_func = tf.estimator.inputs.numpy_input_fn({'x': x_train}, y_train, batch_size=8, num_epochs=None, shuffle=True)
train_input_func = tf.estimator.inputs.numpy_input_fn({'x': x_train}, y_train, batch_size=8, num_epochs=1000, shuffle=False)
eval_input_func = tf.estimator.inputs.numpy_input_fn({'x': x_eval}, y_eval, batch_size=8, num_epochs=1000, shuffle=False)
estimator.train(input_fn=input_func, steps=1000)
train_metrics = estimator.evaluate(input_fn=train_input_func, steps=1000)
eval_metrics = estimator.evaluate(input_fn=eval_input_func, steps=1000)
print(train_metrics)
print(eval_metrics)
brand_new_data = np.array([1000, 2000, 7000])
input_fn_predict = tf.estimator.inputs.numpy_input_fn({'x': brand_new_data}, shuffle=False)
prediction_result = estimator.predict(input_fn=input_fn_predict)
print(list(prediction_result))
Я что-то делаю неправильно, или я неверно истолковываю то, что означает LinearRegression?
Я думаю, что это происходит, когда вы настраиваете некоторые гиперпараметры. Я также изменил оптимизатор на AdamOptimizer.
В основном размер партии равен 1, а эпохи - None.
train_input_func = tf.estimator.inputs.numpy_input_fn ({'x': x_train}, y_train, batch_size = 1, num_epochs = None, shuffle = True)
Код:
import tensorflow as tf
import numpy as np
from sklearn.model_selection import train_test_split
x_data = np.random.randint(1000, 8000, 10000)
y_true = x_data + 250
feat_cols = tf.feature_column.numeric_column('x')
optimizer = tf.train.AdamOptimizer(1e-3)
estimator = tf.estimator.LinearRegressor(feature_columns=[feat_cols],optimizer=optimizer)
x_train, x_eval, y_train, y_eval = train_test_split(x_data, y_true, test_size=0.3, random_state=101)
train_input_func = tf.estimator.inputs.numpy_input_fn({'x': x_train}, y_train, batch_size=1, num_epochs=None,
shuffle=True)
eval_input_func = tf.estimator.inputs.numpy_input_fn({'x': x_eval}, y_eval, batch_size=1, num_epochs=None,
shuffle=True)
estimator.train(input_fn=train_input_func, steps=1005555)
train_metrics = estimator.evaluate(input_fn=train_input_func, steps=10000)
eval_metrics = estimator.evaluate(input_fn=eval_input_func, steps=10000)
print(train_metrics)
print(eval_metrics)
brand_new_data = np.array([1000, 2000, 7000])
input_fn_predict = tf.estimator.inputs.numpy_input_fn({'x': brand_new_data}, num_epochs=1,shuffle=False)
prediction_result = estimator.predict(input_fn=input_fn_predict)
for prediction in prediction_result:
print(prediction['predictions'])
Метрики:
{'average_loss': 3.9024353e-06, 'loss': 3.9024353e-06, 'global_step': 1005555}
{'average_loss': 3.9721594e-06, 'loss': 3.9721594e-06, 'global_step': 1005555}
[1250.003]
[2250.002]
[7249.997]