線性回歸預測的是一個連續值，邏輯回歸給出的“是”和“否”的答案一個二元分類的問題。
sigmoid函數是一個概率分布函數，給定某個輸入，它將輸出為一個概率值。

邏輯回歸損失函數

交叉熵損失函數

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None) print(data.head()) print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看該目標是一個二分類數據

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None) print(data.head()) print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看該目標是一個二分類數據 x = data.iloc[:,:-1] # 特征值 y = data.iloc[:,-1].replace(-1,0) #目標值 （我們把-1替換成0 ） print(x,y)

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None) #print(data.head()) print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看該目標是一個二分類數據 x = data.iloc[:,:-1] # 特征值 y = data.iloc[:,-1].replace(-1,0) #目標值 （我們把-1替換成0 ） # print(x,y) # 簡歷模型（順序模型） module = tf.keras.Sequential() # 添加輸入層 （二層）(4個隱藏單元，形狀15列，使用relu激活) module.add(tf.keras.layers.Dense(4,input_shape=(15,),activation="relu")) #一層 module.add(tf.keras.layers.Dense(4,activation="relu")) # 二層 # 添加輸出層 module.add(tf.keras.layers.Dense(1,activation="sigmoid")) print(module.summary())

# -*- coding: utf-8 -*- import os os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2' # 修改警告級別，不顯示警告 import tensorflow as tf import pandas as pd import numpy as np import matplotlib.pyplot as pltdata = pd.read_csv("credit-a.csv",header=None) #print(data.head()) print(data.iloc[:,-1].value_counts())# 查看最后一列使用value_counts()方法查看該目標是一個二分類數據 x = data.iloc[:,:-1] # 特征值 y = data.iloc[:,-1].replace(-1,0) #目標值 （我們把-1替換成0 ） # print(x,y) # 簡歷模型（順序模型） module = tf.keras.Sequential() # 添加輸入層 （二層）(4個隱藏單元，形狀15列，使用relu激活) module.add(tf.keras.layers.Dense(4,input_shape=(15,),activation="relu")) #一層 module.add(tf.keras.layers.Dense(4,activation="relu")) # 二層 # 添加輸出層 module.add(tf.keras.layers.Dense(1,activation="sigmoid")) #print(module.summary()) module.compile(optimizer="adam",loss="binary_crossentropy",metrics=["acc"]) # 訓練模型 history = module.fit(x,y,epochs=100) #History對象已經記錄了運行輸出，回調函數記錄損失和準確率等 print(history.history.keys()) plt.plot(history.epoch,history.history.get("loss"))# 對損失值進行繪圖 plt.show() plt.plot(history.epoch,history.history.get("acc"))# 對準確率進行繪圖 plt.show()

總結

以上是生活随笔為你收集整理的深度学习-Tensorflow2.2-深度学习基础和tf.keras{1}-逻辑回归与交叉熵概述-05的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。