使用tensorflow的最佳情况

我遵循了文章中提到的所有步骤：

然后我将结果与线性回归进行比较，发现误差小于tensorflow模型（68）

这是否意味着如果我有大数据集，我会得到比线性回归更好的结果？

---

最好的情况是什么？当我应该使用tensorflow时？

回答你的第一个问题时，神经网络以在较小的数据集上使用而闻名，这里你将比较简单线性回归模型和在测试数据集上具有两个隐藏层的神经网络的性能，因此，看到MLP模型落后于线性回归模型（假设您使用的数据集相对较小）也就不足为奇了。更大的数据集肯定会帮助神经网络学习更精确的参数，并很好地概括现象

现在来谈谈你的第二个问题，Tensorflow基本上是一个构建深度学习模型的库，因此，无论何时，当你在研究图像识别、自然语言处理等深度学习问题时，你都需要巨大的计算能力，并将处理大量数据来训练你的模型，这就是TensorFlow变得方便的地方，它为您提供GPU支持，这将极大地促进您的培训过程，否则这几乎是不可能的。此外，如果您正在构建一个必须部署在生产环境中才能使用的产品，那么您可以利用它使您的模型更接近客户

希望这有帮助

from sklearn.linear_model import LinearRegression
logreg_clf = LinearRegression()
logreg_clf.fit(X_train, y_train)
pred = logreg_clf.predict(X_test)
print(np.sqrt(mean_squared_error(y_test, pred)))