這篇文章主要介紹了關於用TensorFlow實現戴明回歸演算法的範例,有著一定的參考價值,現在分享給大家,有需要的朋友可以參考一下
如果最小二乘線性迴歸演算法最小化到迴歸直線的垂直距離(即,平行於y軸方向),則戴明迴歸最小化到迴歸直線的總距離(即,垂直於迴歸直線)。其最小化x值和y值兩個方向的誤差,具體的比較圖如下圖。
線性迴歸演算法與戴明迴歸演算法的差異。左邊的線性迴歸最小化到迴歸直線的垂直距離;右邊的戴明迴歸最小化到迴歸直線的總距離。
線性迴歸演算法的損失函數最小化垂直距離;而這裡需要最小化總距離。給定直線的斜率和截距,則求解一個點到直線的垂直距離有已知的幾何公式。代入幾何公式並使TensorFlow最小化距離。
損失函數是由分子和分母組成的幾何公式。給定直線y=mx b,點(x0,y0),求兩者間的距離的公式為:
# 戴明回归 #---------------------------------- # # This function shows how to use TensorFlow to # solve linear Deming regression. # y = Ax + b # # We will use the iris data, specifically: # y = Sepal Length # x = Petal Width import matplotlib.pyplot as plt import numpy as np import tensorflow as tf from sklearn import datasets from tensorflow.python.framework import ops ops.reset_default_graph() # Create graph sess = tf.Session() # Load the data # iris.data = [(Sepal Length, Sepal Width, Petal Length, Petal Width)] iris = datasets.load_iris() x_vals = np.array([x[3] for x in iris.data]) y_vals = np.array([y[0] for y in iris.data]) # Declare batch size batch_size = 50 # Initialize placeholders x_data = tf.placeholder(shape=[None, 1], dtype=tf.float32) y_target = tf.placeholder(shape=[None, 1], dtype=tf.float32) # Create variables for linear regression A = tf.Variable(tf.random_normal(shape=[1,1])) b = tf.Variable(tf.random_normal(shape=[1,1])) # Declare model operations model_output = tf.add(tf.matmul(x_data, A), b) # Declare Demming loss function demming_numerator = tf.abs(tf.subtract(y_target, tf.add(tf.matmul(x_data, A), b))) demming_denominator = tf.sqrt(tf.add(tf.square(A),1)) loss = tf.reduce_mean(tf.truep(demming_numerator, demming_denominator)) # Declare optimizer my_opt = tf.train.GradientDescentOptimizer(0.1) train_step = my_opt.minimize(loss) # Initialize variables init = tf.global_variables_initializer() sess.run(init) # Training loop loss_vec = [] for i in range(250): rand_index = np.random.choice(len(x_vals), size=batch_size) rand_x = np.transpose([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)%50==0: print('Step #' + str(i+1) + ' A = ' + str(sess.run(A)) + ' b = ' + str(sess.run(b))) print('Loss = ' + str(temp_loss)) # Get the optimal coefficients [slope] = sess.run(A) [y_intercept] = sess.run(b) # Get best fit line best_fit = [] for i in x_vals: best_fit.append(slope*i+y_intercept) # Plot the result plt.plot(x_vals, y_vals, 'o', label='Data Points') plt.plot(x_vals, best_fit, 'r-', label='Best fit line', linewidth=3) plt.legend(loc='upper left') plt.title('Sepal Length vs Pedal Width') plt.xlabel('Pedal Width') plt.ylabel('Sepal Length') plt.show() # Plot loss over time plt.plot(loss_vec, 'k-') plt.title('L2 Loss per Generation') plt.xlabel('Generation') plt.ylabel('L2 Loss') plt.show()
結果:
本文的戴明迴歸演算法與線性迴歸演算法所得的結果基本一致。兩者之間的關鍵差異在於預測值與資料點間的損失函數度量:線性迴歸演算法的損失函數是垂直距離損失;而戴明迴歸演算法是垂直距離損失(到x軸和y軸的總距離損失)。
注意,這裡戴明迴歸演算法的實作類型是總體迴歸(總的最小平方法誤差)。總體迴歸演算法是假設x值和y值的誤差是相似的。我們也可以根據不同的理念使用不同的誤差來擴展x軸和y軸的距離計算。
相關推薦:
以上是用TensorFlow實作戴明迴歸演算法的範例的詳細內容。更多資訊請關注PHP中文網其他相關文章!