Machine learning 我能'；我的tensorflow梯度下降线性回归算法无法工作
我正试图编写一个简单的tensorflow线性回归模型，该模型采用波士顿住房数据的子集，特别是房间数（RM） 列作为自变量，中值价格（MEDV）作为因变量，并对其应用梯度下降算法 但是，当我运行它时，优化器似乎不起作用。成本从未降低，重量实际上在错误的方向上增加 以下是我构建的各种情节Machine learning 我能'；我的tensorflow梯度下降线性回归算法无法工作,machine-learning,tensorflow,Machine Learning,Tensorflow,我正试图编写一个简单的tensorflow线性回归模型，该模型采用波士顿住房数据的子集，特别是房间数（RM） 列作为自变量，中值价格（MEDV）作为因变量，并对其应用梯度下降算法 但是，当我运行它时，优化器似乎不起作用。成本从未降低，重量实际上在错误的方向上增加 以下是我构建的各种情节 x和y的散点图 主成分分析图 原始数据拟合 测试数据拟合 图片如下： 我的程序的输出如下所示： 时代：0050成本=6393135366144.000000000 W=110392.0 b=456112.0 时
将熊猫作为pd导入
将matplotlib.pyplot作为plt导入
从matplotlib.mlab导入PCA
从mpl_toolkits.mplot3d导入Axes3D
将numpy作为np导入
导入tensorflow作为tf
导入系统
从sklearn导入模型_选择
从sk学习导入预处理
np.设置打印选项（精度=3，抑制=True）
def pca（数据集）：
plt.scatter（数据集[：，0]，数据集[：，1]）
plt.plot（）
plt.show（）
结果=主成分分析（数据集）
x=[]
y=[]
对于results.Y中的项目：
x、 追加（项目[0]）
y、 追加（第[1]项）
plt.close（“全部”）
图1=plt.图（）
pltData=[x，y]
plt.散射（pltData[0]，pltData[1]，c='b'）
xAxisLine=（（最小值（pltData[0]），最大值（pltData[0]），（0,0），（0,0））
yAxisLine=（（最小值（pltData[1]），最大值（pltData[1]），（0,0），（0,0））
plt.xlabel（'RM'）
plt.ylabel（'MEDV'）
plt.show（）
rng=np.random
#学习率是我们传递给梯度下降算法的alpha值。
学习率=0.1
#我们将运行多少个循环以尝试获得最佳拟合。
培训时间=1000
显示步进=50
#我们将从csv文件中提取一个值，并提取X值（RM）和Y值（MEDV）
boston\u dataset=pd.read\u csv（'data/housing.csv'））
label=boston_数据集['MEDV']
features=boston_数据集['RM']。重塑（-1,1）
dataset=np.asarray（波士顿大学数据集['RM']）
dataset=np.column_stack（（np.asarray（boston_dataset['RM']），np.asarray（boston_dataset['MEDV']））
pca（数据集）
列车X、测试X、列车Y、测试Y=型号选择。列车测试分割（特征、标签、测试尺寸=0.33，
随机状态=5）
scaler=预处理。StandardScaler（）
train\u X=定标器.拟合变换（train\u X）
#这是我们将要运行的数据样本总数。
n_样本=序列X.形状[0]
#变量占位符。
X=tf.占位符（'float'）
Y=tf.占位符（'float'）
W=tf.Variable（rng.randn（），name='weight'）
b=tf.Variable（rng.randn（），name='bias'）
#这里我们描述我们的培训模式。这是一个使用标准y=mx+b的线性回归模型
#点斜率公式。我们使用最小均方来计算成本。
#这是我们的预测算法：y=mx+b
预测=tf.add（tf.multiply（X，W），b）
#现在让我们使用最小均方来计算预测算法的成本
训练成本=tf.reduce\u和（tf.pow（prediction-Y，2））/（2*n个样本）
#这是我们的梯度下降优化算法。我们通过了阿尔法，我们的学习率
#我们想要的是培训成本的最小值。
优化器=tf.train.GradientDescentOptimizer（学习率）。最小化（培训成本）
init=tf.global_variables_initializer（）
#现在，我们将通过模型运行训练数据。
使用tf.Session（）作为tf_会话：
#初始化所有的tensorflow变量。
tf_session.run（init）
#我们将对数据运行1000次（即training_历次的值）。
对于范围内的历元（训练历元）：
#对于每个训练周期，将x和y值传递给优化器算法以计算成本。
对于拉链中的（x，y）（x列，y列）：
运行（优化器，feed_dict={X:X，Y:Y}）
#每50个周期，让我们检查一次，看看情况如何。
如果（历元+1）%50==0：
c=tf_session.run（培训成本，feed_dict={X:train_X，Y:train_Y}）
打印（'Epoch:'，'%04d'%
（epoch+1），'cost='，'{.9f}'。格式（c）\
“W=”，tf_session.run（W），“b=”，tf_session.run（b））
打印（'优化完成'）
打印（'Training cost='，Training_cost'，W='，tf_session.run（W），'b='，tf_session.run（b），'\n'）
plt.绘图（X列、Y列、ro列、标签=原始数据）
plt.绘图（列车X、TFU会话运行（W）*列车X+tf会话运行（b），标签=‘装配线’）
plt.legend（）
plt.show（）
#我们现在将运行测试数据，以查看经过训练的模型的工作情况。
打印（‘测试…（均方损失比较）’）
testing_cost=tf_session.run（tf.reduce_sum（tf.pow（prediction-Y，2））/（2*test_Y.shape[0]），feed_dict={X:test_X，Y:test_Y}）
打印（'测试成本='，测试成本）
打印（“绝对均方损失差：”，abs（培训成本-测试成本））
plt.绘图（测试X，测试Y，'bo'，标签='测试数据'）
plt.plt（测试X，tf_session.run（W）*测试X+tf_session.run（b），标签=‘装配线’）
plt.legend（）
plt.show（）
`