人工智能与大数据技术导论

结果如图8-15所示。

从上面的数据可以看出，均方根误差（RMSE）大概在目标的最小值和最大值之间。能否把误差缩小呢？我们首先来比较一下模型的预测值和目标值之间的区别：

注意，图8-17中，predictions列的值的单位是1000。所以，均值（mean）为0.1，相当于100。有时候，图表是一种展示数据的更直接的方式：

人工智能与大数据技术导论

224

结果如图8-18所示。

上图显示的线性回归线显然有一些问题，不能很好地预测房屋中位价。下面我们尝试优化模型。

8.2.5 优化模型

为了方便优化，我们首先定义一个模型训练函数。通过变换函数的参数，可以看到不同的效果。下面这个代码把整个执行过程分成10个平均分割的期间（periods），这样就可以让我们看到每个期间的模型优化情况。在图上展示每个时期的误差，从而帮助我们判断是否收敛，或者需要更多迭代。比如，periods=7和steps=70，那么，每10步就会输出误差值。值得注意的是，periods不是超参数（而steps是），所以，修改periods不会影响模型训练本身。

第8章 TensorFlow

225

人工智能与大数据技术导论

226

第8章 TensorFlow

227

相关数据如图8-19、图8-20所示。

我们更改这些超参数的值，看看误差是否有改善：

人工智能与大数据技术导论

228

相关数据如图8-21、图8-22所示。

从上面两个例子看出，不同的配置参数，预测的效果很不一样。至于哪些配置参数的预测效果好，其实也与数据集相关，多试几次。下面是优化的一些基本原则。

第8章 TensorFlow

229

人工智能与大数据技术导论

训练误差应该持续减小，这个误差曲线开始时可能比较陡，但是最终平稳(这时训练收敛）。

●如果训练没有收敛，训练时间可以更长一点。

如果训练误差下降得很慢，可以尝试加大步长。但要注意，有时步长过大，会有反作用。

●如果训练误差上下起伏很大，可以尝试减少步长。除了减少步长外，还要增加步数和批处理大小。

●小的批处理有时会不太稳定。可以先尝试100或1000，然后逐步减少，直到看到降级。

有时，我们也可以变换特征参数，比如：

相关数据如图8-23、图8-24所示。

230

8.2.6 合成特征

合成特征（syntheticfeature）是一种特征，不在输入特征之列，而是从一个或多个输入特征衍生而来。在本节中，我们需要修改一下模型训练函数：

第8章 TensorFlow

231

人工智能与大数据技术导论

232

对于一个城市街区，房价可能与total\_rooms和population两个特征相关，即人口密度与房价有关。在下面的代码中创建一个合成特征：roomsperperson，记录每人所分到的房间数。然后把这个合成特征作为模型训练函数的输入特征。其代码如下：

第8章 TensorFlow

233