使用tf.keras实现线性回归（tensorflow2.0基础入门1 日月光华 ）

tf.keras 是用于构建和训练深度学习模型的 TensorFlow 高阶 API。利用此 API，可实现快速原型设计、先进的研究和生产。
#这节我们先来使用tf.keras 实现一个简单的<单变量线性回归>
#（1）要了解线性回归的原理
#（2）tf.keras训练的的一般步骤

import tensorflow as tf
import pandas as pd
import matplotlib.pyplot as plt

#print('Tensorflow version: {}'.format(tf.__version__))#两个下划线

data=pd.read_csv('./dataset/Income1.csv')#. means 当前目录下
print(data)

#plt.scatter(data.Education,data.Income)
#plt.show()#！

x=data.Education#变量
y=data.Income#因变量
model=tf.keras.Sequential()#顺序模型的初始化（Sequential）
model.add(tf.keras.layers.Dense(1,input_shape=(1,)))#在模型中添加Dense层 （#输出数据维度 #输入数据的形状）
model.summary()#反应model的整体形状

model.compile(optimizer='adam',
              loss='mse'
              ) #编译过程也就是配置，使用(梯度下降算法)对（损失函数）进行优化
                #optimizer就是一种优化方法，这种优化算法会计算梯度，沿着梯度下降的方向，去改变变量的值，从而求（输出变量）的最小值
                #'mse' means 均方差

history=model.fit(x,y,epochs=5000)#进行训练
                                #epochs means 对所有变量进行训练的次数

Q=model.predict(x)
print(Q)

W=model.predict(pd.Series([20]))
print(W)