数据挖掘从入门到放弃（七）：TensorFlow 和 keras 实现线性回归 LinearRegression

从实践出发学习 TensorFlow 和 teras 机器学习框架，分别用 tf 和 keras 实现线性模型，两者区别在于前者相当于手推了线性回归模型，后者使用单层的感知机，很便捷。

使用 TensorFlow（2.0）

需要自定义优化器、拟合函数等，如下：

from __future__ import absolute_import, division, print_function

这里说一下 TensorFlow 中求平均值函数 reduce_mean()，可以定义按照行或者列求平均值等；

# tf中reduce函数计算均值

在 TensorFlow 中，梯度下降法 GradientTape 的使用：

#举个例子：计算y=x^2在x = 3时的导数：

输出训练过程：

训练结果：;

使用 keras

keras 实现线性回归不用在意实现细节，定义一个感知机模型（单层网络）训练即可，如下：

import tensorflow as tf

这里讲一下 numpy.array 和 pd.dataframe 的相互转换，一般 py 包中默认使用 numpy 作为基本的向量操作包，对于习惯使用 pd.dataframe 的人来说，要熟悉基本操作：

# 两个array合并后转秩，才能得到一个df

原始数据分布：

拟合的效果图：