用tensorflow实现弹性网络回归算法
本文实例为大家分享了tensorflow实现弹性网络回归算法，供大家参考，具体内容如下
python代码：
#用tensorflow实现弹性网络算法(多变量)
#使用鸢尾花数据集，后三个特征作为特征，用来预测第一个特征。
#1导入必要的编程库，创建计算图，加载数据集
importmatplotlib.pyplotasplt
importtensorflowastf
importnumpyasnp
fromsklearnimportdatasets
fromtensorflow.python.frameworkimportops
ops.get_default_graph()
sess=tf.Session()
iris=datasets.load_iris()
x_vals=np.array([[x[1],x[2],x[3]]forxiniris.data])
y_vals=np.array([y[0]foryiniris.data])
#2声明学习率，批量大小，占位符和模型变量,模型输出
learning_rate=0.001
batch_size=50
x_data=tf.placeholder(shape=[None,3],dtype=tf.float32)#占位符大小为3
y_target=tf.placeholder(shape=[None,1],dtype=tf.float32)
A=tf.Variable(tf.random_normal(shape=[3,1]))
b=tf.Variable(tf.random_normal(shape=[1,1]))
model_output=tf.add(tf.matmul(x_data,A),b)
#3对于弹性网络回归算法，损失函数包括L1正则和L2正则
elastic_param1=tf.constant(1.)
elastic_param2=tf.constant(1.)
l1_a_loss=tf.reduce_mean(abs(A))
l2_a_loss=tf.reduce_mean(tf.square(A))
e1_term=tf.multiply(elastic_param1,l1_a_loss)
e2_term=tf.multiply(elastic_param2,l2_a_loss)
loss=tf.expand_dims(tf.add(tf.add(tf.reduce_mean(tf.square(y_target-model_output)),e1_term),e2_term),0)
#4初始化变量，声明优化器，然后遍历迭代运行，训练拟合得到参数
init=tf.global_variables_initializer()
sess.run(init)
my_opt=tf.train.GradientDescentOptimizer(learning_rate)
train_step=my_opt.minimize(loss)
loss_vec=[]
foriinrange(1000):
rand_index=np.random.choice(len(x_vals),size=batch_size)
rand_x=x_vals[rand_index]
rand_y=np.transpose([y_vals[rand_index]])
sess.run(train_step,feed_dict={x_data:rand_x,y_target:rand_y})
temp_loss=sess.run(loss,feed_dict={x_data:rand_x,y_target:rand_y})
loss_vec.append(temp_loss)
if(i+1)%250==0:
print('Step#'+str(i+1)+'A='+str(sess.run(A))+'b='+str(sess.run(b)))
print('Loss='+str(temp_loss))
#现在能观察到，随着训练迭代后损失函数已收敛。
plt.plot(loss_vec,'k--')
plt.title('LossperGeneration')
plt.xlabel('Generation')
plt.ylabel('Loss')
plt.show()
本文参考书《Tensorflow机器学习实战指南》
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持毛票票。