TensorFlow入门教程：线性回归（第十一节）

相较于前面的基础而言,这篇文章堪称真正意义上首个tensorflow hello world程序。我们采用tensorflow官方提供的工具来进行线性关系建模,基于输入数据集训练模型,随后利用已稳定生成的模型预测未知自变量对应的因变量。

回归分析

回归分析关注因变量与自变量之间的关系，在预测模型中的广泛应用具有重要意义。研究者需综合考虑自变量的数量、因变量的形式以及回归曲线的具体形态都需加以考量，并通过建立合适的模型来揭示其内在规律性联系。常见的回归分析方法包括最小二乘法等经典技术。

• 线性最小二乘法：线性回归
  • 逻辑回归分析：逻辑回归
  • 多项式曲线拟合：多项式回归
  • L1正则化线性回归：套索回归
  • 弹性网正则化线性回归：ElasticNet回归

线性回归

线性的换句话说就是y等于k乘以x加b。自变量与因变量之间的关系可用一条直线来描述。其中，k代表的是数学上直线的斜率；b则起到调节的作用。为了避免与其他常见资料中的符号不一致，在公式中将参数k替换为w

场景说明

求解问题：Y = K*X +B