Python TensorFlow深度学习回归代码：DNNRegressor
本文介绍基于Python语言中TensorFlow的tf.estimator接口，实现深度学习神经网络回归的具体方法。目录
[*]1 写在前面
[*]2 代码分解介绍
[*]2.1 准备工作
[*]2.2 参数配置
[*]2.3 原有模型删除
[*]2.4 数据导入与数据划分
[*]2.5 Feature Columns定义
[*]2.6 模型优化方法构建与模型结构构建
[*]2.7 模型训练
[*]2.8 模型验证与测试
[*]2.9 精度评定、拟合图像绘制与模型参数与精度结果保存
[*]3 详细代码
1 写在前面
1. 本文介绍的是基于TensorFlow tf.estimator接口的深度学习网络，而非TensorFlow 2.0中常用的Keras接口；关于Keras接口实现深度学习回归，我们将在下一篇博客中介绍。
2. 本文代码以DNNRegressor回归为例；而由于基于 tf.estimator接口的深度学习回归与分类整体较为类似，因此二者具有触类旁通的效果。
3. 本文第二部分为代码的分解介绍，第三部分为完整代码。
4. 相关版本信息：Python版本：3.8.5；TensorFlow版本：2.4.1；编译器版本：Spyder 4.1.5。
2 代码分解介绍
2.1 准备工作
首先需要引入相关的库与包。
import os
import openpyxl
import numpy as np
import pandas as pd
import tensorflow as tf
import scipy.stats as stats
import matplotlib.pyplot as plt
from sklearn import metrics
from sklearn.model_selection import train_test_split
其次，基于TensorFlow的代码往往会输出较多的日志信息，从而使得我们对代码执行情况的了解受到一定影响。代码输出的日志信息有四种，依据严重程度由低到高排序：INFO（通知）
页:
[1]