我遵循了文章中提到的所有步骤：
https://stackabuse.com/tensorflow-2-0-solving-classification-and-regression-problems/
然后，我将结果与线性回归进行比较，发现误差（68）小于tensorflow 模型（84）。
from sklearn.linear_model import LinearRegression
logreg_clf = LinearRegression()
logreg_clf.fit(X_train, y_train)
pred = logreg_clf.predict(X_test)
print(np.sqrt(mean_squared_error(y_test, pred)))这是否意味着如果我有大数据集，我会得到比线性回归更好的结果？什么是最好的情况-当我应该使用tensorflow ？
1条答案
按热度按时间bejyjqdl1#
回答您的第一个问题，神经网络因在较小数据集上的overfitting而闻名，这里您将在测试数据集上比较简单线性回归模型与具有两个隐藏层的神经网络的性能，所以MLP模型落后于（假设你正在使用相对较小的数据集）线性回归模型。较大的数据集肯定会帮助神经网络学习更准确的参数，并很好地概括现象。
现在转到第二个问题，Tensorflow基本上是一个用于构建深度学习模型的库，因此，无论何时，当您处理图像识别、自然语言处理等深度学习问题时，您都需要强大的计算能力，并将处理大量数据来训练您的模型，这正是TensorFlow的用武之地。它为您提供了GPU支持，这将大大提高您的训练过程，否则几乎不可能。此外，如果您正在构建一个产品，必须部署在生产环境中才能使用，您可以使用TensorFlow Serving，它可以帮助您将模型更贴近客户。