Python机器学习实战智能预测模型构建使用TensorFlow实现基础回归模型

在构建智能预测模型时，使用TensorFlow框架实现基础线性回归模型是一个常见且重要的起点。以下是基于TensorFlow 2.x版本的操作步骤和关键代码示例。

环境准备与依赖安装

确保已安装TensorFlow 2.10及numpy库。使用以下命令进行安装：

pip install tensorflow==2.10 numpy

检查安装版本确认兼容性：

import tensorflow as tf
print(tf.__version__)

预期输出应为2.10.x版本。若版本不符，需调整pip命令中的版本号。

数据生成与预处理

创建简单的线性关系数据集用于训练：

import numpy as np
import matplotlib.pyplot as plt

 设置随机种子确保可复现
np.random.seed(42)

 生成100个样本点
X = np.linspace(0, 10, 100)
y = 2  X + 1 + np.random.normal(0, 1, 100)   真实斜率2，截距1，加入噪声

 可视化原始数据
plt.scatter(X, y)
plt.xlabel('X')
plt.ylabel('y')
plt.title('原始数据分布')
plt.show()

关键点：使用linspace生成等差数列作为自变量，添加高斯噪声模拟真实场景数据。

构建TensorFlow模型

创建包含单层全连接神经元的线性回归模型：

 1. 构建模型
model = tf.keras.Sequential([
    tf.keras.layers.Dense(1, input_shape=(1,), activation='linear')
])

 2. 编译模型
model.compile(
    optimizer=tf.keras.optimizers.Adam(learning_rate=0.1),
    loss='mean_squared_error'
)

解释：Sequential模型适合线性回归，Dense层配置1个输出单元（回归值），Adam优化器默认参数适用于多数场景。

模型结构可视化

tf.keras.utils.plot_model(
    model, 
    to_file='model_structure.png',
    show_shapes=True,
    show_layer_names=True
)

执行后生成model_structure.png文件，直观展示模型连接关系。

模型训练与评估

执行模型训练过程，并记录训练历史：

 训练模型
history = model.fit(
    X, 
    y, 
    epochs=100,
    validation_split=0.2,
    verbose=1
)

 绘制损失曲线
plt.plot(history.history['loss'], label='训练损失')
plt.plot(history.history['val_loss'], label='验证损失')
plt.xlabel('训练轮次')
plt.ylabel('MSE')
plt.legend()
plt.show()

预期结果：验证损失曲线趋于平稳，训练损失显著下降。若损失不收敛，可尝试降低学习率（如0.01）。

模型预测与可视化

 生成预测结果
X_test = np.array([0, 10])
y_pred = model.predict(X_test)

 绘制拟合结果
plt.scatter(X, y, label='原始数据')
plt.plot(X_test, y_pred, color='red', label='模型拟合线')
plt.xlabel('X')
plt.ylabel('y')
plt.legend()
plt.show()

可视化结果应显示红色拟合线穿过数据分布中心区域。

模型参数分析

提取并分析模型训练后的权重参数：

 获取模型权重
weights, biases = model.layers[0].get_weights()

print(f"权重值：{weights[0][0]}")   应接近真实斜率2
print(f"偏置值：{biases[0]}")       应接近真实截距1

重要提示：若权重值偏差较大，可能需要调整以下参数：

模型保存与加载

持久化训练好的模型以便后续使用：

 保存模型（包含权重和结构）
model.save('linear_regression_model')

 加载模型
loaded_model = tf.keras.models.load_model('linear_regression_model')

 验证加载结果
print(f"加载模型权重：{loaded_model.layers[0].get_weights()[0][0]}")

注意：保存路径需确保有写权限。加载时TensorFlow会自动重建模型结构。

扩展应用：多项式回归

若数据呈现非线性关系，可扩展为多项式回归：

 生成二次项数据
X_poly = X2
y_poly = 3X2 - 2X + 5 + np.random.normal(0, 2, 100)

 创建多项式特征层
def polynomial_features(X, degree=2):
    X_poly = np.ones((X.shape[0], 1))
    for d in range(1, degree+1):
        X_poly = np.hstack([X_poly, Xd])
    return X_poly

 处理特征
X_poly_processed = polynomial_features(X, degree=2)

 构建新模型
model_poly = tf.keras.Sequential([
    tf.keras.layers.Dense(1, activation='linear')
])

 编译并训练
model_poly.compile(optimizer='adam', loss='mse')
model_poly.fit(X_poly_processed, y_poly, epochs=100, verbose=0)

 可视化拟合效果
plt.scatter(X, y_poly)
X_range = np.linspace(0, 10, 100)
X_range_poly = polynomial_features(X_range, degree=2)
y_range_pred = model_poly.predict(X_range_poly)
plt.plot(X_range, y_range_pred, color='green')
plt.xlabel('X')
plt.ylabel('y')
plt.title('多项式回归拟合')
plt.show()

预期效果：绿色曲线能更好地拟合二次曲线分布。