JavaScript для глубокого обучения 2021 TensorFlow js Ббк

Часть II • Введение в TensorFlow.js
2.3. Множественная линейная регрессия
В первом примере мы предсказывали наш целевой признак 
timeSec
на основе лишь 
одного входного признака, 
sizeMB
. Намного чаще встречается сценарий с несколь­
кими входными признаками, когда неизвестно, какие из них наиболее полезны для 
предсказаний, а какие очень слабо связаны с целевыми. В таком случае приходится 
использовать их все одновременно, позволяя самому алгоритму обучения их рас­
сортировать. В этом разделе мы и займемся подобной более сложной работой.
К концу этого раздела вы научитесь:
z
z
создавать модели, получающие и усваивающие несколько входных признаков;
z
z
создавать и выполнять веб­приложения с машинным обучением на основе Yarn, 
Git и стандартной структуры компоновки проектов JavaScript;
z
z
обеспечивать б
о
льшую устойчивость обучающих данных с помощью нормали­
зации данных;
z
z
использовать обратные вызовы 
tf.Model.fit()
для обновления веб­интерфейса 
во время обучения.
2.3.1. Набор данных стоимости жилья в Бостоне
Набор данных стоимости жилья в Бостоне
1
(Boston­housing) представляет собой 
500 простых записей с информацией о ценах на недвижимость в Бостоне (штат Мас­
сачусетс) и в его окрестностях в конце 1970­х годов. Он уже в течение десятилетий 
используется как стандартный набор данных для знакомства с задачами статистики 
и машинного обучения. Каждая запись в этом наборе содержит несколько числовых 
характеристик микрорайонов Бостона, включая, например, удаленность местности 
от ближайшего шоссе, наличие выхода к морю и т. д. В табл. 2.1 приведен точный 
упорядоченный перечень признаков, включая средние значения каждого из них.
Таблица 2.1.
Признаки в наборе данных Boston-housing
Индекс Краткое название