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

回归问题是预测一个持续的值，主要是用于解决不确定性的问题，例如，一个商品在未来可能的价格或者一件事情在未来发生的可能性。而分类问题是预测多个分类中的所属分类，主要是用于解决确定性的问题，例如，一幅画中包括多种成熟度不同的水果，预测图中那种水果是成熟的（分为成熟或者不成熟两种类别）。

本章节主要是使用Auto MPG数据集合预测燃油车的燃油效率，燃油车的参数主要包括一台车的汽缸的数量、汽缸的排量、马力以及重量。

如上所示，安装基本类库、导入keras组件以及其他工具。

如上所示，下载AUTO MPG数据集合以及显示部分数据集，MPG是燃油效率、Cylinders是汽缸数量、Displacement是汽缸的排量、Horsepower是马力、Weight是重量、Acceleration是加速能、Model Year是型号年份、Origin是产地的标识。

如上所示，统计非数字的非法值，删除非法值，其中，Horsepower存在6数据行的非法值。

如上所示，将产地origin转换成具体的列，其中，1标识USA美国，2标识Europe欧洲，3标识Japan日本。

如上所示，将原始数据集分割成训练数据集以及测试数据集，其比例是8比2，其中，train_dataset是训练数据集，train_dataset是测试数据集。

如上所示，使用数据集的MPG、Cylinders、Displacement、Weight列值进行kde绘图，kde统计分析方法主要是用于探索数据以及检测数据的分布。

如上所示，AUTO MPG数据集燃油汽车各种参数的统计分析，其中，cout是记录数，mean是均值、std标准差、min是最小值、max是最大值、min与max之间是数据区间的递增的幅度。

如上所示，从数据集中分离特征与标签，参数MPG是待预测的标签，其他参数是用于训练的特征，其中，train_features是训练特征集、test_features是测试特征集、train_labels是训练标签集、test_labels是测试标签集。

如上所示，对输入的特征数据集进行标准的处理，转换成-1到1或者0到1的范围内。

如上所示，仅使用horsepower马力参数进行标准化转换以及构建机器学习模型，其中，horsepower_models是构建的只有一层全连接层的机器学习模型。

如上所示，使用horsepower_models模型进行机器学习前的预测。

如上所示，使用horsepower_models模型进行机器学习，其中，将train_features、train_labels数据集按照8比2的比例分割成训练数据集以及验证数据集，这些数据集作为机器学习的输入，loss表示训练数据集的损失值，val_loss表示验证数据集的损失值，epoch表示训练的迭代次数。

如上所示，使用图形统计分析对比loss损失值与val_loss验证损失值。

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。

（未完待续）