多元线性回归的具体实现
- 导入需要的所有软件包：
- 因为各特征的数据范围不同，需要归一化特征数据。为此定义一个归一化函数。另外，这里添加一个额外的固定输入值将权重和偏置结合起来。为此定义函数 append_bias_reshape()。该技巧有时可有效简化编程：
- 现在使用 TensorFlow contrib 数据集加载波士顿房价数据集，并将其划分为 X_train 和 Y_train。注意到 X_train 包含所需要的特征。可以选择在这里对数据进行归一化处理，也可以添加偏置并对网络数据重构：
- 为训练数据声明 TensorFlow 占位符。观测占位符 X 的形状变化：
- 为权重和偏置创建 TensorFlow 变量。通过随机数初始化权重：
- 定义要用于预测的线性回归模型。现在需要矩阵乘法来完成这个任务：
- 为了更好地求微分，定义损失函数：
- 选择正确的优化器：
- 定义初始化操作符：
- 开始计算图：
- 绘制损失函数：
在这里，我们发现损失随着训练过程的进行而减少：
本节使用了 13 个特征来训练模型。简单线性回归和多元线性回归的主要不同在于权重，且系数的数量始终等于输入特征的数量。下图为所构建的多元线性回归模型的 TensorBoard 图：
现在可以使用从模型中学到的系数来预测房价：
