具有 k 個(gè)預(yù)測(cè)變量 X1、X2、...、Xk 和響應(yīng) Y 的多元線性回歸模型可以寫為 y = β0 + β1X1 + β2X2 + ··· βkXk + "。我按照此處的教程使用 tf.keras 進(jìn)行基本回歸。https://www.tensorflow.org/tutorials/keras/regression。是否可以輸出 β 變量以便我可以檢查它們對(duì)響應(yīng)的貢獻(xiàn)？順便說(shuō)一下，本教程讓您構(gòu)建的模型看起來(lái)像這樣：def build_model(): model = keras.Sequential([ layers.Dense(64, activation='relu', input_shape=[len(train_dataset.keys())]), layers.Dense(64, activation='relu'), layers.Dense(1) ]) optimizer = tf.keras.optimizers.RMSprop(0.001) model.compile(loss='mse', optimizer=optimizer, metrics=['mae', 'mse']) return model哪里len(train_dataset.keys())是9。
1 回答
楊魅力
TA貢獻(xiàn)1811條經(jīng)驗(yàn) 獲得超6個(gè)贊
權(quán)重存儲(chǔ)在：
model.layers[n].weights
帶有l(wèi)ayers列表和n模型中的圖層索引。
在您的示例中，因?yàn)檩斎胄螤钍?9,)
>>> len(model.layers[0].weights)
2
>>> model.layers[0].weights[0].shape
TensorShape([9, 64])
>>> model.layers[0].weights[1].shape
TensorShape([64])
為了解釋這些，假設(shè)第一層是h = ReLU(Ax+b)用x一個(gè)向量計(jì)算(9,)然后A是一個(gè)形狀矩陣(9,64)和b一個(gè)形狀向量(64,)，h還有一個(gè)形狀向量(64,)。因此，model.layers[0].weights是兩個(gè)權(quán)重張量的列表[A, b]。
它不是線性回歸。如果你想要它，你需要制作一個(gè)更簡(jiǎn)單的模型：
def build_model():
model = keras.Sequential([
layers.Dense(1, input_shape=[len(train_dataset.keys())])
])
optimizer = tf.keras.optimizers.RMSprop(0.001)
model.compile(loss='mse',
optimizer=optimizer,
metrics=['mae', 'mse'])
return model
然后，用數(shù)據(jù)訓(xùn)練后，model.layers[0].weights[0]會(huì)有形狀(9,1)，也就是你的 β1, β2, ..., βk; 并且model.layers[0].weights[1]會(huì)有形狀(1,)，這是你的 β0
添加回答
舉報(bào)
0/150
提交
取消