TensorFlow HOWTO 2.2 支持向量回歸(軟間隔)

將上一節(jié)的假設(shè)改一改卢鹦,模型就可以用于回歸問題悄泥。

操作步驟

導(dǎo)入所需的包虏冻。

import tensorflow as tf
import numpy as np
import matplotlib.pyplot as plt
import sklearn.datasets as ds
import sklearn.model_selection as ms

導(dǎo)入數(shù)據(jù),并進行預(yù)處理弹囚。我們使用鳶尾花數(shù)據(jù)集中的后兩個品種厨相,根據(jù)萼片長度預(yù)測花瓣長度。

iris = ds.load_iris()

x_ = iris.data[50:, 0]
y_ = iris.data[50:, 2]
x_ = np.expand_dims(x_, 1)
y_ = np.expand_dims(y_, 1)

x_train, x_test, y_train, y_test = \
    ms.train_test_split(x_, y_, train_size=0.7, test_size=0.3)

定義所需超參數(shù)鸥鹉。

變量 含義
n_input 樣本特征數(shù)
n_epoch 迭代數(shù)
lr 學(xué)習(xí)率
eps 支持邊界到?jīng)Q策邊界的函數(shù)距離
lam L2 正則化函數(shù)
n_input = 1
n_epoch = 2000
lr = 0.05
eps = 0.5
lam = 0.05

搭建模型领铐。

變量 含義
x 輸入
y 真實標(biāo)簽
w 權(quán)重
b 偏置
z 輸出,也就是標(biāo)簽預(yù)測值
x = tf.placeholder(tf.float64, [None, n_input])
y = tf.placeholder(tf.float64, [None, 1])
w = tf.Variable(np.random.rand(n_input, 1))
b = tf.Variable(np.random.rand(1, 1))
z = x @ w + b

定義損失宋舷、優(yōu)化操作、和 R 方度量指標(biāo)瓢姻。

我們使用 Hinge 損失和 L2 的組合祝蝠。和上一節(jié)相比,Hinge 需要改一改:

mean(\max(|Z - Y| - \epsilon, 0))

在回歸問題中幻碱,模型約束相反绎狭,是樣本落在支持邊界內(nèi)部,也就是 |Z - Y| \le \epsilon褥傍。我們?nèi)匀粚⑵浼拥綋p失中儡嘶,于是,對于滿足約束的點恍风,損失為零蹦狂。對于不滿足約束的點,損失為 |Z - Y| - \epsilon朋贬。這樣讓樣本盡可能到支持邊界之內(nèi)凯楔。

L2 損失仍然用于最小化支持邊界的幾何距離,也就是 \frac{2}{\|w\|}锦募。

變量 含義
hinge_loss Hinge 損失
l2_loss L2 損失
loss 總損失
op 優(yōu)化操作
y_mean y的均值
r_sqr R 方值
hinge_loss = tf.reduce_mean(tf.maximum(tf.abs(z - y) - eps, 0))
l2_loss = lam * tf.reduce_sum(w ** 2)
loss = hinge_loss + l2_loss
op = tf.train.AdamOptimizer(lr).minimize(loss)

y_mean = tf.reduce_mean(y)
r_sqr = 1 - tf.reduce_sum((y - z) ** 2) / tf.reduce_sum((y - y_mean) ** 2)

使用訓(xùn)練集訓(xùn)練模型摆屯。

losses = []
r_sqrs = []

with tf.Session() as sess:
    sess.run(tf.global_variables_initializer())
    for e in range(n_epoch):
        _, loss_ = sess.run([op, loss], feed_dict={x: x_train, y: y_train})
        losses.append(loss_)

使用測試集計算 R 方。

        r_sqr_ = sess.run(r_sqr, feed_dict={x: x_test, y: y_test})
        r_sqrs.append(r_sqr_)

每一百步打印損失和度量值糠亩。

        if e % 100 == 0:
            print(f'epoch: {e}, loss: {loss_}, r_sqr: {r_sqr_}')

得到擬合直線:

    x_min = x_.min() - 1
    x_max = x_.max() + 1
    x_rng = np.arange(x_min, x_max, 0.1)
    x_rng = np.expand_dims(x_rng, 1)
    y_rng = sess.run(z, feed_dict={x: x_rng})

輸出:

epoch: 0, loss: 2.595811345519854, r_sqr: -7.63455623000992
epoch: 100, loss: 0.09490037816660063, r_sqr: 0.6870450579269822
epoch: 200, loss: 0.0945981212813202, r_sqr: 0.6919725995177556
epoch: 300, loss: 0.0943360378730447, r_sqr: 0.6972100379246203
epoch: 400, loss: 0.0942670608490176, r_sqr: 0.7011480891041979
epoch: 500, loss: 0.09420861968646403, r_sqr: 0.7023977527848786
epoch: 600, loss: 0.09420462812797847, r_sqr: 0.7033420189633286
epoch: 700, loss: 0.09420331500841268, r_sqr: 0.7040990336920706
epoch: 800, loss: 0.09420013554417629, r_sqr: 0.7049244708036546
epoch: 900, loss: 0.09419894883980164, r_sqr: 0.7058068427331468
epoch: 1000, loss: 0.09419596028573823, r_sqr: 0.7063798499792275
epoch: 1100, loss: 0.09439172532153575, r_sqr: 0.7082249152615245
epoch: 1200, loss: 0.0942860145903332, r_sqr: 0.7082847730551416
epoch: 1300, loss: 0.09419431250773326, r_sqr: 0.7085666625849087
epoch: 1400, loss: 0.09419430203474248, r_sqr: 0.7086043351158677
epoch: 1500, loss: 0.09419435727421285, r_sqr: 0.7085638764264852
epoch: 1600, loss: 0.09419436716550869, r_sqr: 0.7085578243219421
epoch: 1700, loss: 0.09422521775113285, r_sqr: 0.7085955861355715
epoch: 1800, loss: 0.09419408061180848, r_sqr: 0.709039512302889
epoch: 1900, loss: 0.09425026677323756, r_sqr: 0.7088910272655065

繪制整個數(shù)據(jù)集的預(yù)測結(jié)果以及支持邊界虐骑。

plt.figure()
plt.plot(x_, y_, 'b.', label='Data')
plt.plot(x_rng.ravel(), y_rng.ravel(), 'r', label='Model')
plt.plot(x_rng.ravel(), (y_rng + eps).ravel(), 'r--')
plt.plot(x_rng.ravel(), (y_rng - eps).ravel(), 'r--')
plt.title('Data and Model')
plt.legend()
plt.show()
image

繪制訓(xùn)練集上的損失准验。

plt.figure()
plt.plot(losses)
plt.title('Loss on Training Set')
plt.xlabel('#epoch')
plt.ylabel('MSE')
plt.show()
image

繪制測試集上的 R 方。

plt.figure()
plt.plot(r_sqrs)
plt.title('$R^2$ on Testing Set')
plt.xlabel('#epoch')
plt.ylabel('$R^2$')
plt.show()
image

擴展閱讀

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
  • 序言:七十年代末廷没,一起剝皮案震驚了整個濱河市糊饱,隨后出現(xiàn)的幾起案子,更是在濱河造成了極大的恐慌腕柜,老刑警劉巖济似,帶你破解...
    沈念sama閱讀 211,743評論 6 492
  • 序言:濱河連續(xù)發(fā)生了三起死亡事件,死亡現(xiàn)場離奇詭異盏缤,居然都是意外死亡砰蠢,警方通過查閱死者的電腦和手機,發(fā)現(xiàn)死者居然都...
    沈念sama閱讀 90,296評論 3 385
  • 文/潘曉璐 我一進店門唉铜,熙熙樓的掌柜王于貴愁眉苦臉地迎上來台舱,“玉大人,你說我怎么就攤上這事潭流【和铮” “怎么了?”我有些...
    開封第一講書人閱讀 157,285評論 0 348
  • 文/不壞的土叔 我叫張陵灰嫉,是天一觀的道長拆宛。 經(jīng)常有香客問我,道長讼撒,這世上最難降的妖魔是什么浑厚? 我笑而不...
    開封第一講書人閱讀 56,485評論 1 283
  • 正文 為了忘掉前任,我火速辦了婚禮根盒,結(jié)果婚禮上钳幅,老公的妹妹穿的比我還像新娘。我一直安慰自己炎滞,他們只是感情好敢艰,可當(dāng)我...
    茶點故事閱讀 65,581評論 6 386
  • 文/花漫 我一把揭開白布。 她就那樣靜靜地躺著册赛,像睡著了一般钠导。 火紅的嫁衣襯著肌膚如雪。 梳的紋絲不亂的頭發(fā)上击奶,一...
    開封第一講書人閱讀 49,821評論 1 290
  • 那天辈双,我揣著相機與錄音,去河邊找鬼柜砾。 笑死湃望,一個胖子當(dāng)著我的面吹牛,可吹牛的內(nèi)容都是我干的。 我是一名探鬼主播证芭,決...
    沈念sama閱讀 38,960評論 3 408
  • 文/蒼蘭香墨 我猛地睜開眼瞳浦,長吁一口氣:“原來是場噩夢啊……” “哼!你這毒婦竟也來了废士?” 一聲冷哼從身側(cè)響起叫潦,我...
    開封第一講書人閱讀 37,719評論 0 266
  • 序言:老撾萬榮一對情侶失蹤,失蹤者是張志新(化名)和其女友劉穎官硝,沒想到半個月后矗蕊,有當(dāng)?shù)厝嗽跇淞掷锇l(fā)現(xiàn)了一具尸體,經(jīng)...
    沈念sama閱讀 44,186評論 1 303
  • 正文 獨居荒郊野嶺守林人離奇死亡氢架,尸身上長有42處帶血的膿包…… 初始之章·張勛 以下內(nèi)容為張勛視角 年9月15日...
    茶點故事閱讀 36,516評論 2 327
  • 正文 我和宋清朗相戀三年傻咖,在試婚紗的時候發(fā)現(xiàn)自己被綠了。 大學(xué)時的朋友給我發(fā)了我未婚夫和他白月光在一起吃飯的照片岖研。...
    茶點故事閱讀 38,650評論 1 340
  • 序言:一個原本活蹦亂跳的男人離奇死亡卿操,死狀恐怖,靈堂內(nèi)的尸體忽然破棺而出孙援,到底是詐尸還是另有隱情害淤,我是刑警寧澤,帶...
    沈念sama閱讀 34,329評論 4 330
  • 正文 年R本政府宣布拓售,位于F島的核電站窥摄,受9級特大地震影響,放射性物質(zhì)發(fā)生泄漏础淤。R本人自食惡果不足惜溪王,卻給世界環(huán)境...
    茶點故事閱讀 39,936評論 3 313
  • 文/蒙蒙 一、第九天 我趴在偏房一處隱蔽的房頂上張望值骇。 院中可真熱鬧,春花似錦移国、人聲如沸吱瘩。這莊子的主人今日做“春日...
    開封第一講書人閱讀 30,757評論 0 21
  • 文/蒼蘭香墨 我抬頭看了看天上的太陽使碾。三九已至,卻和暖如春祝懂,著一層夾襖步出監(jiān)牢的瞬間票摇,已是汗流浹背。 一陣腳步聲響...
    開封第一講書人閱讀 31,991評論 1 266
  • 我被黑心中介騙來泰國打工砚蓬, 沒想到剛下飛機就差點兒被人妖公主榨干…… 1. 我叫王不留矢门,地道東北人。 一個月前我還...
    沈念sama閱讀 46,370評論 2 360
  • 正文 我出身青樓,卻偏偏與公主長得像祟剔,于是被迫代替她去往敵國和親隔躲。 傳聞我的和親對象是個殘疾皇子,可洞房花燭夜當(dāng)晚...
    茶點故事閱讀 43,527評論 2 349

推薦閱讀更多精彩內(nèi)容