摘要：概述這是使用機器學習預測平均氣溫系列文章的最后一篇文章了，作為最后一篇文章，我將使用的開源機器學習框架來構(gòu)建一個神經(jīng)網(wǎng)絡回歸器。請注意，我把這個聲明推廣到整個機器學習的連續(xù)體，而不僅僅是神經(jīng)網(wǎng)絡。

??這是使用機器學習預測平均氣溫系列文章的最后一篇文章了，作為最后一篇文章，我將使用google的開源機器學習框架tensorflow來構(gòu)建一個神經(jīng)網(wǎng)絡回歸器。關于tensorflow的介紹、安裝、入門，請自己google，這里就不做講述。

??這篇文章我主要講解一下幾點：

了解人工神經(jīng)網(wǎng)絡理論

tensorflow高級API:Estimators

構(gòu)建DNN模型預測天氣

??上一篇文章主要講解了如何構(gòu)建線性回歸模型(這是最基礎的機器學習算法)來預測內(nèi)布拉斯加州林肯市每天的平均氣溫。線性回歸模型非常有效，并且可以被用于數(shù)值化(比如分類)、預測(比如預測天氣)。線性回歸算法也比較與局限性，它要求數(shù)據(jù)之間具有線性關系。
??針對于非線性關系的場景，數(shù)據(jù)挖掘和機器學習有數(shù)不清的算法來處理。近些年最火的要數(shù)神經(jīng)網(wǎng)絡算法了，它可以處理機器學習領域的好多問題。神經(jīng)網(wǎng)絡算法具備線性和非線性學習算法的能力。
??神經(jīng)網(wǎng)絡受到大腦中的生物神經(jīng)元的啟發(fā)，它們在復雜的交互網(wǎng)絡中工作，根據(jù)已經(jīng)收集的信息的歷史來傳輸，收集和學習信息。我們感興趣的計算神經(jīng)網(wǎng)絡類似于大腦的神經(jīng)元，因為它們是接收輸入信號（數(shù)字量）的神經(jīng)元（節(jié)點）的集合，處理輸入并將處理后的信號發(fā)送給其他下游代理 網(wǎng)絡。 信號作為通過神經(jīng)網(wǎng)絡的數(shù)字量的處理是一個非常強大的特征，不限于線性關系。
??在這個系列中，我一直關注一種稱為監(jiān)督學習的特定類型的機器學習，也就說說訓練的數(shù)據(jù)結(jié)果是已知的，根據(jù)歷史已知的輸入和輸出，預測未來的輸入對應的輸出。 此外，預測的類型是數(shù)值的真實值，這意味著我們使用的是回歸預測算法。
??從圖形上看，類似于本文中描述的神經(jīng)網(wǎng)絡如圖:

上面描述的神經(jīng)網(wǎng)絡在最左邊包含一個輸入層，即圖中的x1和x2，這兩個特征是神經(jīng)網(wǎng)絡輸入值。這兩個特征被輸入到神經(jīng)網(wǎng)絡中，通過被稱為隱藏層的兩層神經(jīng)元進行處理和傳輸。這個描述顯示了兩個隱藏層，每層包含三個神經(jīng)元（節(jié)點）。 該信號然后離開神經(jīng)網(wǎng)絡，并作為單個數(shù)值預測值匯總在輸出層。
??讓我花一點時間來解釋箭頭背后的含義，箭頭表示數(shù)據(jù)在層間從一個節(jié)點到另一個節(jié)點的傳輸處理。 每個箭頭代表一個數(shù)值的數(shù)學變換，從箭頭的底部開始，然后乘以特定于該路徑特定的權(quán)重。 一個圖層中的每個節(jié)點將以這種方式得到一個值。 然后匯總所有在節(jié)點收斂的值。 這個就是我之前提到的神經(jīng)網(wǎng)絡的線性操作。

??在每個節(jié)點上進行求和之后，將一個特殊的非線性函數(shù)應用到總和上，這在上面的圖像中被描述為Fn（...）。 這種將非線性特征引入神經(jīng)網(wǎng)絡的特殊功能稱為激活功能。 激活函數(shù)所帶來的這種非線性特性賦予了多層神經(jīng)網(wǎng)絡以其功能。 如果不是將非線性加入到過程中，則所有層都將有效地代數(shù)地組合成一個常數(shù)運算，其中包括將輸入乘以某個平坦系數(shù)值（即線性模型）。
好吧，這一切都很好，但是這怎么轉(zhuǎn)化為學習算法呢？ 那么最直接的答案就是評估正在進行的預測，即模型“y”的輸出，到實際預期值（目標），并對權(quán)重進行一系列調(diào)整，以改善整體 預測準確性。
??在回歸機器學習算法的世界中，通過使用成本（又名“損失”或“客觀”）函數(shù)（即平方誤差之和（SSE））評估準確性。 請注意，我把這個聲明推廣到整個機器學習的連續(xù)體，而不僅僅是神經(jīng)網(wǎng)絡。 在前面的文章中，普通最小二乘算法完成了這一工作，它發(fā)現(xiàn)了使誤差平方和（即最小二乘）最小化的系數(shù)組合。
??我們的神經(jīng)網(wǎng)絡回歸器會做同樣的事情。 它將迭代訓練數(shù)據(jù)提取特征值，計算成本函數(shù)（使用SSE），并以最小化成本函數(shù)的方式調(diào)整權(quán)重。 通過算法迭代推送特征的過程和評估如何根據(jù)成本函數(shù)來調(diào)整權(quán)重。
??模型優(yōu)化算法在構(gòu)建魯棒神經(jīng)網(wǎng)絡中非常重要。 例如通過網(wǎng)絡體系結(jié)構(gòu)（即寬度和深度）饋送，然后根據(jù)成本函數(shù)進行評估，調(diào)整權(quán)重。 當優(yōu)化器函數(shù)確定權(quán)重調(diào)整不會導致成本函數(shù)計算代價的變化，該模型被認為是“學習”。

??tensorflow由好幾個部分組成，其中最常用的是Core API,它為用戶提供了一套低級別的API來定義和訓練使用符號操作的任何機器學習算法。這也是TensorFlow的核心功能，雖然Core API能應對大多數(shù)的應用場景，但我更關注Estimator API。
??TensorFlow團隊開發(fā)了Estimator API，使日常開發(fā)人員可以更方便地使用該庫。這個API提供了訓練模型、評估模型、以及和Sci-Kit庫相似的對未知數(shù)據(jù)的預測接口，這是通過實現(xiàn)各種算法的通用接口來實現(xiàn)的。另外，構(gòu)建在高級API中的是機器學習最佳實踐，抽象和可伸縮性的負載。
??所有這些機器學習的優(yōu)點使得基礎Estimator類中實現(xiàn)的一套工具以及多個預先封裝的模型類型，降低了使用TensorFlow的入門門檻，因此可以應用于日常問題。通過抽象出諸如編寫訓練循環(huán)或處理會話之類的問題，開發(fā)人員能夠?qū)Ｗ⒂诟匾氖虑椋缈焖賴L試多個模型和模型架構(gòu)，以找到最適合他們需要的模型。
??在這篇文章中，我將介紹如何使用非常強大的深度神經(jīng)網(wǎng)絡估計器之一DNN Regressor。

??我們先導入一些我們需要用到的庫。

import pandas as pd  
import numpy as np  
import tensorflow as tf  
from sklearn.metrics import 
explained_variance_score,   
    mean_absolute_error, 
    median_absolute_error
from sklearn.model_selection import train_test_split  

我們來處理一下數(shù)據(jù)，所有的數(shù)據(jù)我都放在了Github上，大家可以去查閱clone。

# read in the csv data into a pandas data frame and set the date as the index
df = pd.read_csv("end-part2_df.csv").set_index("date")

# execute the describe() function and transpose the output so that it doesn"t overflow the width of the screen
df.describe().T  

# execute the info() function
df.info()
  
Index: 997 entries, 2015-01-04 to 2017-09-27  
Data columns (total 39 columns):  
meantempm          997 non-null int64  
maxtempm           997 non-null int64  
mintempm           997 non-null int64  
meantempm_1        997 non-null float64  
meantempm_2        997 non-null float64  
meantempm_3        997 non-null float64  
meandewptm_1       997 non-null float64  
meandewptm_2       997 non-null float64  
meandewptm_3       997 non-null float64  
meanpressurem_1    997 non-null float64  
meanpressurem_2    997 non-null float64  
meanpressurem_3    997 non-null float64  
maxhumidity_1      997 non-null float64  
maxhumidity_2      997 non-null float64  
maxhumidity_3      997 non-null float64  
minhumidity_1      997 non-null float64  
minhumidity_2      997 non-null float64  
minhumidity_3      997 non-null float64  
maxtempm_1         997 non-null float64  
maxtempm_2         997 non-null float64  
maxtempm_3         997 non-null float64  
mintempm_1         997 non-null float64  
mintempm_2         997 non-null float64  
mintempm_3         997 non-null float64  
maxdewptm_1        997 non-null float64  
maxdewptm_2        997 non-null float64  
maxdewptm_3        997 non-null float64  
mindewptm_1        997 non-null float64  
mindewptm_2        997 non-null float64  
mindewptm_3        997 non-null float64  
maxpressurem_1     997 non-null float64  
maxpressurem_2     997 non-null float64  
maxpressurem_3     997 non-null float64  
minpressurem_1     997 non-null float64  
minpressurem_2     997 non-null float64  
minpressurem_3     997 non-null float64  
precipm_1          997 non-null float64  
precipm_2          997 non-null float64  
precipm_3          997 non-null float64  
dtypes: float64(36), int64(3)  
memory usage: 311.6+ KB  

??請注意，我們剛剛記錄下了1000個氣象數(shù)據(jù)記錄，并且所有的特征都是數(shù)字性質(zhì)的。 另外，由于我們在第一篇文章中的努力工作，所有記錄都是完整的，因為它們不缺少任何值（沒有非空值）。
??現(xiàn)在我將刪除“mintempm”和“maxtempm”這兩列，因為它們對幫助我們預測平均溫度毫無意義。 我們正在試圖預測未來，所以我們顯然不能掌握有關未來的數(shù)據(jù)。 我還將從目標（y）中分離出特征（X）。

# First drop the maxtempm and mintempm from the dataframe
df = df.drop(["mintempm", "maxtempm"], axis=1)

# X will be a pandas dataframe of all columns except meantempm
X = df[[col for col in df.columns if col != "meantempm"]]

# y will be a pandas series of the meantempm
y = df["meantempm"]  

??和所有監(jiān)督機器學習應用程序一樣，我將把我的數(shù)據(jù)集分成訓練集和測試集。 但是，為了更好地解釋訓練這個神經(jīng)網(wǎng)絡的迭代過程，我將使用一個額外的數(shù)據(jù)集，我將其稱為“驗證集合”。 對于訓練集，我將利用80％的數(shù)據(jù)，對于測試和驗證集，它們將分別為剩余數(shù)據(jù)的10％。為了分解這些數(shù)據(jù)，我將再次使用Scikit Learn 庫的train_test_split（）函數(shù)。

# split data into training set and a temporary set using sklearn.model_selection.traing_test_split
X_train, X_tmp, y_train, y_tmp = train_test_split(X, y, test_size=0.2, random_state=23)  
# take the remaining 20% of data in X_tmp, y_tmp and split them evenly
X_test, X_val, y_test, y_val = train_test_split(X_tmp, y_tmp, test_size=0.5, random_state=23)

X_train.shape, X_test.shape, X_val.shape  
print("Training instances   {}, Training features   {}".format(X_train.shape[0], X_train.shape[1]))  
print("Validation instances {}, Validation features {}".format(X_val.shape[0], X_val.shape[1]))  
print("Testing instances    {}, Testing features    {}".format(X_test.shape[0], X_test.shape[1]))  
Training instances   797, Training features   36  
Validation instances 100, Validation features 36  
Testing instances    100, Testing features    36  

構(gòu)建神經(jīng)網(wǎng)絡模型時要采取的第一步是實例化tf.estimator.DNNRegressor（）類。類的構(gòu)造函數(shù)有多個參數(shù)，但我將重點關注以下參數(shù)：

feature_columns：一種類似列表的結(jié)構(gòu)，包含要輸入到模型中的要素的名稱和數(shù)據(jù)類型的定義

hidden_??units：一個類似列表的結(jié)構(gòu)，包含神經(jīng)網(wǎng)絡數(shù)量寬度和深度的定義

optimizer：tf.Optimizer子類的一個實例，在訓練期間優(yōu)化模型的權(quán)重;它的默認值是AdaGrad優(yōu)化器。

activation_fn：激活功能，用于在每一層向網(wǎng)絡引入非線性;默認是ReLU

model_dir：要創(chuàng)建的目錄，其中包含模型的元數(shù)據(jù)和其他檢查點保存

我將首先定義一個數(shù)字特征列的列表。要做到這一點，我使用tf.feature_column.numeric_column（）函數(shù)返回一個FeatureColumn實例。

feature_cols = [tf.feature_column.numeric_column(col) for col in X.columns] 

??使用定義的特性列，我現(xiàn)在可以實例化DNNRegressor類并將其存儲在回歸變量中。 我指定我想要一個有兩層深度的神經(jīng)網(wǎng)絡，其中兩層的寬度都是50個節(jié)點。 我還指出，我希望我的模型數(shù)據(jù)存儲在一個名為tf_wx_model的目錄中。

regressor = tf.estimator.DNNRegressor(feature_columns=feature_cols,  
                                      hidden_units=[50, 50],
                                      model_dir="tf_wx_model")
INFO:tensorflow:Using default config.  
INFO:tensorflow:Using config: {"_tf_random_seed": 1, "_save_checkpoints_steps": None, "_save_checkpoints_secs": 600, "_model_dir": "tf_wx_model", "_log_step_count_steps": 100, "_keep_checkpoint_every_n_hours": 10000, "_save_summary_steps": 100, "_keep_checkpoint_max": 5, "_session_config": None}  

接下來我想要做的是定義一個可重用的函數(shù)，這個函數(shù)通常被稱為“輸入函數(shù)”，我將調(diào)用wx_input_fn（）。 這個函數(shù)將被用來在訓練和測試階段將數(shù)據(jù)輸入到我的神經(jīng)網(wǎng)絡中。有許多不同的方法來建立輸入函數(shù)，但我將描述如何定義和使用一個基于tf.estimator.inputs.pandas_input_fn（），因為我的數(shù)據(jù)是在一個pandas數(shù)據(jù)結(jié)構(gòu)。

def wx_input_fn(X, y=None, num_epochs=None, shuffle=True, batch_size=400):  
    return tf.estimator.inputs.pandas_input_fn(x=X,
                                               y=y,
                                               num_epochs=num_epochs,
                                               shuffle=shuffle,
                                               batch_size=batch_size)

??請注意，這個wx_input_fn（）函數(shù)接受一個必選參數(shù)和四個可選參數(shù)，然后將這些參數(shù)交給TensorFlow輸入函數(shù)，專門用于返回的pandas數(shù)據(jù)。 這是TensorFlow API一個非常強大的功能。函數(shù)的參數(shù)定義如下：

X：輸入要輸入到三種DNNRegressor接口方法中的一種（訓練，評估和預測）

y：X的目標值，這是可選的，不會被提供給預測調(diào)用

num_epochs：可選參數(shù)。 當算法在整個數(shù)據(jù)集上執(zhí)行一次時，就會出現(xiàn)一個新紀元。

shuffle：可選參數(shù)，指定每次執(zhí)行算法時是否隨機選擇數(shù)據(jù)集的批處理（子集）

batch_size：每次執(zhí)行算法時要包含的樣本數(shù)

??通過定義我們的輸入函數(shù)，我們現(xiàn)在可以訓練我們基于訓練數(shù)據(jù)集上的神經(jīng)網(wǎng)絡。 對于熟悉TensorFlow高級API的讀者，您可能會注意到我對自己的模型的培訓方式有點不合常規(guī)。至少從TensorFlow網(wǎng)站上的當前教程和網(wǎng)絡上的其他教程的角度來看。通常情況下，您將看到如下所示的內(nèi)容。

regressor.train(input_fn=input_fn(training_data, num_epochs=None, shuffle=True), steps=some_large_number)

.....
lots of log info  
....

然后，作者將直接展示evaluate（）函數(shù)，并且?guī)缀鯖]有提示它在做什么或為什么存在這一行代碼。

regressor.evaluate(input_fn=input_fn(eval_data, num_epochs=1, shuffle=False), steps=1)

.....
less log info  
....

在此之后，假設所有的訓練模型都是完美的，他們會直接跳到執(zhí)行predict()函數(shù)。

predictions = regressor.predict(input_fn=input_fn(pred_data, num_epochs=1, shuffle=False), steps=1)  

??我希望能夠提供一個合理的解釋，說明如何訓練和評估這個神經(jīng)網(wǎng)絡，以便將這個模型擬合或過度擬合到訓練數(shù)據(jù)上的風險降到最低。因此，我們不再拖延，讓我定義一個簡單的訓練循環(huán)，對訓練數(shù)據(jù)進行訓練，定期對評估數(shù)據(jù)進行評估。

evaluations = []  
STEPS = 400  
for i in range(100):  
    regressor.train(input_fn=wx_input_fn(X_train, y=y_train), steps=STEPS)
    evaluations.append(regressor.evaluate(input_fn=wx_input_fn(X_val,
                                                               y_val,
                                                               num_epochs=1,
                                                               shuffle=False)))
INFO:tensorflow:Create CheckpointSaverHook.  
INFO:tensorflow:Saving checkpoints for 1 into tf_wx_model/model.ckpt.  
INFO:tensorflow:step = 1, loss = 1.11335e+07  
INFO:tensorflow:global_step/sec: 75.7886  
INFO:tensorflow:step = 101, loss = 36981.3 (1.321 sec)  
INFO:tensorflow:global_step/sec: 85.0322  
... A WHOLE LOT OF LOG OUTPUT ...
INFO:tensorflow:step = 39901, loss = 5205.02 (1.233 sec)  
INFO:tensorflow:Saving checkpoints for 40000 into tf_wx_model/model.ckpt.  
INFO:tensorflow:Loss for final step: 4557.79.  
INFO:tensorflow:Starting evaluation at 2017-12-05-13:48:43  
INFO:tensorflow:Restoring parameters from tf_wx_model/model.ckpt-40000  
INFO:tensorflow:Evaluation [1/1]  
INFO:tensorflow:Finished evaluation at 2017-12-05-13:48:43  
INFO:tensorflow:Saving dict for global step 40000: average_loss = 10.2416, global_step = 40000, loss = 1024.16  
INFO:tensorflow:Starting evaluation at 2017-12-05-13:48:43  
INFO:tensorflow:Restoring parameters from tf_wx_model/model.ckpt-40000  
INFO:tensorflow:Finished evaluation at 2017-12-05-13:48:43  
INFO:tensorflow:Saving dict for global step 40000: average_loss = 10.2416, global_step = 40000, loss = 1024.16  

??上面的循環(huán)迭代了100次。 在循環(huán)體中，我調(diào)用了回歸器對象的train（）方法，并將其傳遞給了我的可重用的wx_input_fn（），后者又通過了我的訓練功能集和目標。 我有意地將默認參數(shù)num_epochs等于None，基本上這樣說：“我不在乎你通過訓練集多少次，只是繼續(xù)訓練算法對每個默認batch_size 400”（大約一半的訓練 組）。 我還將shuffle參數(shù)設置為默認值True，以便在訓練時隨機選擇數(shù)據(jù)以避免數(shù)據(jù)中的任何順序關系。 train（）方法的最后一個參數(shù)是我設置為400的步驟，這意味著訓練集每個循環(huán)將被批處理400次。
??這給了我一個很好的時間以更具體的數(shù)字來解釋一個epoch的意義。 回想一下，當一個訓練集的所有記錄都通過神經(jīng)網(wǎng)絡訓練一次時，就會出現(xiàn)一個epoch。 所以，如果我們的訓練集中有大約800（準確的說是797）個記錄，并且每個批次選擇400個，那么每兩個批次我們就完成了一個時間。 因此，如果我們遍歷整個訓練集100個迭代400個步驟，每個批次大小為400（每個批次的一個半個時間），我們得到：

(100 x 400 / 2) = 20,000 epochs

??現(xiàn)在你可能想知道為什么我為循環(huán)的每次迭代執(zhí)行和evaluate()方法，并在列表中捕獲它的輸出。 首先讓我解釋一下每次train()方法被觸發(fā)時會發(fā)生什么。它隨機選擇一批訓練記錄，并通過網(wǎng)絡推送，直到做出預測，并為每條記錄計算損失函數(shù)。 然后根據(jù)計算出的損失根據(jù)優(yōu)化器的邏輯調(diào)整權(quán)重，這對于減少下一次迭代的整體損失的方向做了很好的調(diào)整。 一般而言，只要學習速率足夠小，這些損失值隨著時間的推移而逐漸下降。
??然而，經(jīng)過一定數(shù)量的這些學習迭代之后，權(quán)重開始不僅受到數(shù)據(jù)整體趨勢的影響，而且還受到非實際的噪聲在所有實際數(shù)據(jù)中的繼承。 在這一點上，網(wǎng)絡受到訓練數(shù)據(jù)特性的過度影響，并且變得無法推廣關于總體數(shù)據(jù)的預測。這與我之前提到的高級TensorFlow API許多其他教程不足之處有關。 在訓練期間周期性地打破這一點非常重要，并評估模型如何推廣到評估或驗證數(shù)據(jù)集。 通過查看第一個循環(huán)迭代的評估輸出，讓我們花些時間看看evaluate()函數(shù)返回的結(jié)果。

evaluations[0]  
{"average_loss": 31.116383, "global_step": 400, "loss": 3111.6382}

正如你所看到的，它輸出的是平均損失（均方誤差）和訓練中的步驟的總損失（平方誤差和），這一步是第400步。 在訓練有素的網(wǎng)絡中，你通常會看到一種趨勢，即訓練和評估損失或多或少地平行下降。 然而，在某個時間點的過度配置模型中，實際上在過擬合開始出現(xiàn)的地方，驗證訓練集將不再看到其evaluate()方法的輸出降低。 這是你想停止進一步訓練模型的地方，最好是在變化發(fā)生之前。
??現(xiàn)在我們對每個迭代都有一個評估集合，讓我們將它們作為訓練步驟的函數(shù)來繪制，以確保我們沒有過度訓練我們的模型。 為此，我將使用matplotlib的pyplot模塊中的一個簡單的散點圖。

import matplotlib.pyplot as plt  
%matplotlib inline

# manually set the parameters of the figure to and appropriate size
plt.rcParams["figure.figsize"] = [14, 10]

loss_values = [ev["loss"] for ev in evaluations]  
training_steps = [ev["global_step"] for ev in evaluations]

plt.scatter(x=training_steps, y=loss_values)  
plt.xlabel("Training steps (Epochs = steps / 2)")  
plt.ylabel("Loss (SSE)")  
plt.show()  

??從上面的圖表看來，在所有這些迭代之后，我并沒有過度配置模型，因為評估損失從來沒有呈現(xiàn)出朝著增加價值的方向的顯著變化?，F(xiàn)在，我可以安全地繼續(xù)根據(jù)我的剩余測試數(shù)據(jù)集進行預測，并評估模型如何預測平均天氣溫度。
??與我已經(jīng)演示的其他兩種回歸方法類似，predict()方法需要input_fn，我將使用可重用的wx_input_fn()傳遞input_fn，將測試數(shù)據(jù)集交給它，將num_epochs指定為None，shuffle為False，因此它將依次送入所有的數(shù)據(jù)進行測試。
??接下來，我做一些從predict()方法返回的dicts迭代的格式，以便我有一個numpy的預測數(shù)組。然后，我使用sklearn方法explain_variance_score()，mean_absolute_error()和median_absolute_error()來預測數(shù)組，以測量預測與已知目標y_test的關系。

pred = regressor.predict(input_fn=wx_input_fn(X_test,  
                                              num_epochs=1,
                                              shuffle=False))
predictions = np.array([p["predictions"][0] for p in pred])

print("The Explained Variance: %.2f" % explained_variance_score(  
                                            y_test, predictions))  
print("The Mean Absolute Error: %.2f degrees Celcius" % mean_absolute_error(  
                                            y_test, predictions))  
print("The Median Absolute Error: %.2f degrees Celcius" % median_absolute_error(  
                                            y_test, predictions))
INFO:tensorflow:Restoring parameters from tf_wx_model/model.ckpt-40000  
The Explained Variance: 0.88  
The Mean Absolute Error: 3.11 degrees Celcius  
The Median Absolute Error: 2.51 degrees Celcius  

我已經(jīng)使用了與上一篇文章有關的線性回歸技術相同的指標，以便我們不僅可以評估這個模型，還可以對它們進行比較。 正如你所看到的，這兩個模型的表現(xiàn)相當類似，更簡單的線性回歸模型略好一些。然而，你可以通過修改學習速率，寬度和深度等參數(shù)來優(yōu)化機器學習模型。

??本文演示了如何使用TensorFlow高級API Estimator子類DNNRegressor。并且，我也描述了神經(jīng)網(wǎng)絡理論，他們是如何被訓練的，以及在過程中認識到過度擬合模型的危險性的重要性。
??為了演示這個建立神經(jīng)網(wǎng)絡的過程，我建立了一個模型，能夠根據(jù)本系列第一篇文章收集的數(shù)字特征預測第二天的平均溫度。寫這些文章的目的不是為了建立一個非常好的模型預測天氣，我的目標是：

演示從數(shù)據(jù)收集，數(shù)據(jù)處理，探索性數(shù)據(jù)分析，模型選擇，模型構(gòu)建和模型評估中進行分析（機器學習，數(shù)據(jù)科學，無論...）項目的一般過程。

演示如何使用兩個流行的Python庫StatsModels和Scikit Learn來選擇不違反線性回歸技術關鍵假設的有意義的功能。

演示如何使用高級別的TensorFlow API，并直觀地了解所有這些抽象層下正在發(fā)生的事情。

討論與過度擬合模型相關的問題。

解釋試驗多個模型類型以最好地解決問題。

使用機器學習預測天氣第二部分
使用機器學習預測天氣第一部分
英文原文

原文地址:http://www.bugcode.cn/mlweath...