线性回归

#用梯度下降算法 快速解决线性回归
import numpy as np
import matplotlib.pyplot as plt
import tensorflow as tf


#构建数据

points_num =100
vectors =[]
#用numpy正态随机分布函数生成100点
##用这些点的（x，y）坐标值生成线性方程 y = 0.1*x +0.2
#权重（weight) 0.1  偏差 （Bias）0.2

for i in range(points_num):
    x1 = np.random.normal(0.0,0.66)#随机正态分布
    y1 = 0.1*x1 +0.2 +np.random.normal(0.0,0.02)  #加上干扰项
    vectors.append([x1,y1])

x_data = [v[0] for v in vectors]  #真实的点的x坐标
y_data =[v[1] for v in vectors] #真实的y坐标
#图像 1 展示100个随机点
plt.plot(x_data,y_data,'r*', label = "Original data")# 红色星形的点
plt.title("线性 减轻")
plt.legend()
plt.show()

#构建线性回归模型
W = tf.Variable(tf.random_uniform([1],-1.0,1.0)) #初始化权重
b = tf.Variable(tf.zeros([1])) #初始化 Bias
y = W*x_data +b               #模型计算出来的y



#定义损失函数 ；loss function 或者 cost function
#对Tensor 的所有维度 计算出（y-y_data）^2 之和 / N
loss = tf.reduce_mean(tf.square(y-y_data))



#用梯度下降的优化器来优化我们的loss function
optimizer = tf.train.GradientDescentOptimizer(0.5) #学习率为0.5
train = optimizer.minimize(loss)

#创建会话
sess =tf.Session()
#初始化数据流图中的所有变量
init= tf.global_variables_initializer()
sess.run(init)

#训练20步
for step in range(20):
    #优化每一步
    sess.run(train)
    #打印每一步的损失，权重和偏差



#图像2 绘制所有的点
plt.plot(x_data,y_data,'r*', label = "Original data")# 红色星形的点
plt.title("线性 减轻")
plt.plot(x_data, sess.run(W)*x_data +sess.run(b), label="拟合的一条线")
plt.legend()
plt.xlabel('x')
plt.ylabel('y')
plt.show()


#关闭会话
sess.close()