Tensorflow是Google提供的一种机器学习框架。它是一个开放源代码框架，与Python结合使用以实现算法，深度学习应用程序等等。
可以使用下面的代码行在Windows上安装'tensorflow'软件包-
pip install tensorflow
Tensor是TensorFlow中使用的数据结构。它有助于连接流程图中的边缘。该流程图称为“数据流程图”。张量不过是多维数组或列表。
回归问题背后的目的是预测连续或离散变量的输出，例如价格，概率，是否下雨等等。
我们使用的数据集称为“自动MPG”数据集。它包含了1970年代和1980年代汽车的燃油效率。它包括诸如重量，马力，位移等属性。因此，我们需要预测特定车辆的燃油效率。
我们正在使用Google合作实验室来运行以下代码。Google Colab或Colaboratory可以帮助通过浏览器运行Python代码，并且需要零配置和对GPU（图形处理单元）的免费访问。合作已建立在Jupyter Notebook的基础上。
以下是代码片段，我们将看到如何使用TensorFlow使用Auto MPG数据集清洁数据以预测燃油效率-
print("Data cleaning has begun")
dataset.isna().sum()
dataset = dataset.dropna()
dataset['Origin'] = dataset['Origin'].map({1: 'USA', 2: 'Europe', 3: 'Japan'})
print("Data cleaning complete!")
dataset = pd.get_dummies(dataset, prefix='', prefix_sep='')
print("A sample of dataset after data cleaning :")
dataset.head(4)代码信用-https ://www.tensorflow.org/tutorials/keras/regression
输出结果
Data cleaning has begun Data cleaning complete! A sample of dataset after data cleaning −
| 手脉 | 气瓶 | 移位 | 马力 | 重量 | 加速 | 模特年 | 欧洲 | 日本 | 美国 | |
|---|---|---|---|---|---|---|---|---|---|---|
| 0 | 18.0 | 8 | 307.0 | 130.0 | 3504.0 | 12.0 | 70 | 0 | 0 | 1 |
| 1 | 15.0 | 8 | 350.0 | 165.0 | 3693.0 | 11.5 | 70 | 0 | 0 | 1 |
| 2个 | 18.0 | 8 | 318.0 | 150.0 | 3436.0 | 11.0 | 70 | 0 | 0 | 1 |
| 3 | 16.0 | 8 | 304.0 | 150.0 | 3433.0 | 12.0 | 70 | 0 | 0 | 1 |
数据清除首先删除数据集中存在的“ nan”。
“映射”功能用于将标签映射到列名。
控制台上显示数据清理后的数据集样本。