Question

我想知道使用张量流进行回归的好模型（我的火车数据集上有大约200列）

我在网上找到的大多数例子主要用于图像分类，使用卷积网，这对于回归来说是不合适的（我认为）。我找到的极少数回归示例是简单的Xw + b模型，我这样实现：

X = tf.placeholder(tf.float32, [None, train[cols].shape[1]])
Y = tf.placeholder(tf.float32, [None, 1])
W = tf.Variable(tf.zeros([train[cols].shape[1], 1]))
b = tf.Variable(tf.zeros([1]))
preds = tf.matmul(X, W) + b

我尝试了以下代码的几种变体来添加隐藏层，但结果总是最差

X = tf.placeholder(tf.float32, [None, train[cols].shape[1]], name = 'X')
Y = tf.placeholder(tf.float32, [None, 1], name = 'Y')

hidden1  = tf.Variable(tf.random_normal([train[cols].shape[1], 70], stddev=0.01), name = 'hidden1')
b1 = tf.Variable(tf.random_normal([1],stddev=0.01), name ='bias1')
...repeat for other layers....


X = tf.nn.dropout(X, p_keep_input)
h = tf.nn.relu(tf.matmul(X, hidden1) + b1)

h = tf.nn.dropout(h, p_keep_hidden)
h2 = tf.nn.relu(tf.matmul(h, hidden2) +b2)


h2 = tf.nn.dropout(h2, p_keep_hidden)

preds =  tf.matmul(h2, w_o)

有什么想法吗？感谢

使用张量流的回归模型

0 个答案: