Python 3.x Tensorflow-如何显示线性回归模型的准确率

我有一个线性回归模型，似乎是可行的。我首先将

数据

加载到

X

中，将目标列加载到

Y

，然后实现以下操作

X_train, X_test, Y_train, Y_test = train_test_split(
    X_data, 
    Y_data, 
    test_size=0.2
)

rng = np.random

n_rows = X_train.shape[0]

X = tf.placeholder("float")
Y = tf.placeholder("float")


W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

pred = tf.add(tf.multiply(X, W), b)

cost = tf.reduce_sum(tf.pow(pred-Y, 2)/(2*n_rows))

optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(cost)



init = tf.global_variables_initializer()
init_local = tf.local_variables_initializer()

with tf.Session() as sess:

    sess.run([init, init_local])

    for epoch in range(FLAGS.training_epochs):

        avg_cost = 0

        for (x, y) in zip(X_train, Y_train):

            sess.run(optimizer, feed_dict={X:x, Y:y})

        # display logs per epoch step
        if (epoch + 1) % FLAGS.display_step == 0:

            c = sess.run(
                cost, 
                feed_dict={X:X_train, Y:Y_train}
            )

            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c))

    print("Optimization Finished!")

    accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))

    print(sess.run(accuracy))

accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))

print(sess.run(accuracy))

我不知道如何打印出模型的准确度。例如，在

sklearn

中，如果您有一个模型，您只需打印

model.score（X\u测试，Y\u测试）

。但我不知道如何在

tensorflow

中做到这一点，或者这是否可能

我想我能计算出

均方误差。这有什么帮助吗

编辑

我尝试按照评论中的建议实现
tf.metrics.accurity
，但在实现时遇到了问题。文档中说它需要两个参数，
标签
和
预测
，所以我尝试了以下方法

X_train, X_test, Y_train, Y_test = train_test_split(
    X_data, 
    Y_data, 
    test_size=0.2
)

rng = np.random

n_rows = X_train.shape[0]

X = tf.placeholder("float")
Y = tf.placeholder("float")


W = tf.Variable(rng.randn(), name="weight")
b = tf.Variable(rng.randn(), name="bias")

pred = tf.add(tf.multiply(X, W), b)

cost = tf.reduce_sum(tf.pow(pred-Y, 2)/(2*n_rows))

optimizer = tf.train.GradientDescentOptimizer(FLAGS.learning_rate).minimize(cost)



init = tf.global_variables_initializer()
init_local = tf.local_variables_initializer()

with tf.Session() as sess:

    sess.run([init, init_local])

    for epoch in range(FLAGS.training_epochs):

        avg_cost = 0

        for (x, y) in zip(X_train, Y_train):

            sess.run(optimizer, feed_dict={X:x, Y:y})

        # display logs per epoch step
        if (epoch + 1) % FLAGS.display_step == 0:

            c = sess.run(
                cost, 
                feed_dict={X:X_train, Y:Y_train}
            )

            print("Epoch:", '%04d' % (epoch + 1), "cost=", "{:.9f}".format(c))

    print("Optimization Finished!")

    accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))

    print(sess.run(accuracy))

accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))

print(sess.run(accuracy))

但这给了我一个错误

FailedPremissionError（回溯见上文）：尝试使用未初始化的值精度/计数
[[Node:accurity/count/read=IdentityT=DT_FLOAT，[u class=[“loc:@accurity/count”]，[u device=“/job:localhost/replica:0/task:0/device:CPU:0”]

具体如何实现这一点？
我认为Tensorflow文档中根本不清楚这一点，但在运行精度计算之前，您必须声明精度操作，然后初始化所有全局和局部变量：

accuracy, accuracy_op = tf.metrics.accuracy(labels=tf.argmax(Y_test, 0), predictions=tf.argmax(pred, 0))
# ...
init_global = tf.global_variables_initializer
init_local = tf.local_variables_initializer
sess.run([init_global, init_local])
# ...
# run accuracy calculation

我读了一些关于堆栈溢出的关于使用局部变量进行精度计算的内容，这就是为什么需要局部变量初始值设定项的原因
 在阅读了您发布的完整代码后，我注意到了另外两件事：


在计算
pred
时，使用

pred=tf.add（tf.multiply（X，W），b）
<代码>tf.multiply

执行元素级乘法，并且不会为您提供神经网络所需的完全连接层（我假设这是您最终的工作方向，因为您使用的是TensorFlow）。要实现完全连接的层，其中每个层i（包括输入和输出层）都有ni节点，您需要为每对连续层提供单独的权重和偏差矩阵。第i个权重矩阵的尺寸（第i层和第i+1层之间的权重）应为（ni，ni+1），第i个偏置矩阵的尺寸应为（ni+1，1）。然后，回到乘法运算——用tf.matmul替换tf.multiply，就可以开始了。我假设，对于单类线性回归问题，您所拥有的可能很好，但如果您计划解决多类回归问题或实现更深层次的网络，这绝对是您想要的方式

你的重量和偏差张量的形状是（1，1）。您为变量提供了

np.random.randn（）

的初始值，该值在未提供任何参数时生成一个浮点数。权重和偏差张量的尺寸需要作为参数提供给

np.random.randn（）

。更好的是，您可以在Tensorflow中将这些变量初始化为随机值：

W=tf.Variable（tf.random\u normal（[dim0，dim1]，seed=seed）

（为了再现性，我总是使用种子值初始化随机变量）

请注意，如果您还不知道这一点，但神经网络需要非线性激活函数才能有效。如果您所有的激活都是线性的，那么无论您有多少层，最终都会简化为简单的线性回归。许多人对隐藏层使用relu激活。对于输出层，使用softmax激活用于输出类为独占的多类分类问题（即，对于任何给定输入，只有一个类可以正确），以及sigmoid激活用于输出类不为独占的多类分类问题

---

事实证明，由于这是一个多类线性回归问题，而不是一个分类问题，

tf.metrics.accurity

不是正确的方法

我没有用百分比来显示模型的准确性，而是专注于降低均方误差（MSE）

从其他例子来看，

tf.metrics.accurity

从未用于线性回归，而仅用于分类。通常

tf.metric.mean_squared_error

是正确的方法

我实现了两种方法来计算测试数据预测的总MSE

pred = tf.add(tf.matmul(X, W), b)
...
...
Y_pred = sess.run(pred, feed_dict={X:X_test})
mse = tf.reduce_mean(tf.square(Y_pred - Y_test))

或

它们的作用相同，但显然第二种方法更简洁

---

关于如何测量线性回归模型的精度，有一个很好的解释。

那么

tf.metrics.accurity

呢，它返回一个表示

精度的张量，总值除以计数？MSE不会告诉你精度分数。@Flika205我正在尝试实现它，但我遇到了错误rs.查看我的编辑。我尝试实现了这一点，但仍然存在错误。是的，文档不是最好的，我找不到任何显示模型精度的工作模型示例，我得到的最接近的结果是让模型显示其成本和MSE。在初始化局部变量之前，您是否定义了精度计算？不，之后。初始化后，我在我答案的编辑部分添加了代码。好的，我编辑了我的问题以添加完整的代码。我认为我很可能错误地实现了
tf.metrics.accurity
。但是，在初始化变量之前，需要先声明准确性的行。我正在为清晰。