本文已使用 Google Cloud Translation API 自动翻译。
某些文档最好以原文阅读。
在本文中，我们将学习如何使用 TensorFlow.js 和 Node.js 执行线性回归。我们将从简要回顾线性回归开始，然后我们将了解如何使用 TensorFlow.js 实现它。
线性回归是一种统计技术，用于模拟因变量与一个或多个自变量之间的关系。因变量是被预测的变量，而自变量是用于预测因变量的变量。
在线性回归模型中，因变量是自变量的线性函数。也就是说，因变量是自变量的线性函数。
TensorFlow.js 是一个用于训练和部署机器学习模型的 JavaScript 库。它也用于数值计算。在本节中，我们将了解如何使用 TensorFlow.js 进行线性回归。
我们将使用以下数据作为线性回归示例：
| × | 是 |
|---|---|
| 1 | 2 |
| 2 | 4 |
| 3 | 6 |
第一步是导入 TensorFlow.js 库。我们可以使用 require() 函数来做到这一点：
const tf = require('@tensorflow/tfjs');
接下来，我们需要定义自变量和因变量。我们可以使用 tf.tensor() 函数来做到这一点：
// Define the independent variable
const x = tf.tensor([1, 2, 3], [3, 1]);
// Define the dependent variable
const y = tf.tensor([2, 4, 6], [3, 1]);
现在我们已经定义了自变量和因变量，我们可以定义线性回归模型了。我们可以使用 tf.layers.dense() 函数来做到这一点：
// Define the linear regression model
const model = tf.sequential();
model.add(tf.layers.dense({units: 1, inputShape: [1]}));
下一步是编译线性回归模型。我们可以使用 tf.model.compile() 函数来做到这一点：
// Compile the linear regression model
model.compile({loss: 'meanSquaredError', optimizer: 'sgd'});
最后，我们可以训练线性回归模型。我们可以使用 tf.model.fit() 函数来做到这一点：
// Train the linear regression model
model.fit(x, y, {epochs: 100}).then(() => {
// Use the model to predict the value of y for x = 4
model.predict(tf.tensor([4], [1, 1])).print();
});
在本文中，我们了解了如何使用 TensorFlow.js 和 Node.js 执行线性回归。我们还看到了如何使用线性回归模型来预测给定自变量的因变量值。