1 基本概念

回归模型

线性

线性模型

非线性模型

线性回归

逻辑回归

Log Loss（损失函数）

分类临界值

2 效率预测

如上所示，使用测试数据集进行评估、用图形显示逻辑回归的预测结果，其中，test_features是测试特征数据集，test_labels是测试标签数据集。

Predictions是线性模型的预测值，Data是数据集的原始标签值，Data均匀地分布在Predictions直线的两侧，说明该线性模型的预测比较准确。

前面的预测是仅使用马力的参数作为单一特征值，当使用多个参数的特征值，则在线性模型y=mx+b的方程式中，m是一个特征集合的矩阵，b是一个集合，预测值y也是一个集合。

如上所示，使用normalizer作为多个参数的特征集的规范化处理器，构建一个只有一层的全连接层的线性模型linear_model，在训练前对特征集合的10条记录进行预测。

如上所示，是Adam作为优化器，对线性模型linear_model执行训练，其中，train_features是训练的特征集，train_labels是训练的标签集，训练数据集与验证数据集的分割比例是8比2。

如上所示，Epoch标签训练的迭代次数，loss与val_loss的损失值，随着训练次数的增长，损失值不断降低，然后趋于平滑，则说明预测的准确度不断趋于稳定的状态，与仅训练马力的单一参数的特征集相比较，其输出更低的错误率，说明使用多维度多参数的特征数据集进行预测更加准确。最后调用linear_model. evaluate对模型执行评估。

如上所示，定义一个DNN类型的深度神经网络的回归模型，其中，norm是数据规范化的处理器，由用户输入，中间定义两层非线性的全连接层，输出层是一个线性的全连接层，优化器使用Adam。

如上所示，使用单一的马力特征数据集构建一个dnn模型，输出dnn_horsepower_model模型的各层的元数据信息，然后，调用模型的fit函数执行训练，其中，train_features只使用马力的单一参数的特征集进行训练。

如上所示，dnn_horsepower_model模型的输出，loss与val_loss的损失值在前面两个模型的中间，则说明使用深度神经网络进行回归的预测更加准确。

如上所示，dnn_horsepower_model模型调用predict函数执行预测，并输出原始数据标签（Data）与预测标签（Predictions）的对比分析图，说明该模型是逻辑回归模型，最后，调用模型的evaluate函数执行评估。

如上所示，使用所有参数的特征集构建一个dnn模型，输出模型的元数据信息，使用所有参数的特征集train_features执行训练。

如上所示，dnn_model模型输出loss与val_loss的对比分析。

如上所示，使用dnn_model模型执行预测，输出MPG的原始值与MPG的预测值的对比分析，原始值均匀分布在预测值的两侧，预测值分布合理，则说明预测较为准确。

如上所示，显示dnn_model模型预测的错误分布图，说明出错的预测较少，0值附近不出错的预测较多，分布合理。

如上所示，调用dnn_model模型的save函数保存训练之后的模型，然后，重新加载模型reloaded，再执行reloaded模型的评估，最后，显示前面所有模型的预测错误率的平均值，dnn_model的错误率最小，则说明dnn_model模型的预测值最准确。

（未完待续）