我遵循了文章中提到的所有步骤：
https://stackabuse.com/tensorflow-2-0-solving-classification-and-regression-problems/
然后我将结果与线性回归进行比较，发现误差(68(小于张量流模型(84(。
from sklearn.linear_model import LinearRegression
logreg_clf = LinearRegression()
logreg_clf.fit(X_train, y_train)
pred = logreg_clf.predict(X_test)
print(np.sqrt(mean_squared_error(y_test, pred)))
这是否意味着如果我有大型数据集，我会得到比线性回归更好的结果？ 最好的情况是什么 - 当我应该使用张量流时？
回答你的第一个问题，神经网络以在较小的数据集上过度拟合而闻名，在这里你正在比较一个简单的线性回归模型与在测试数据集上有两个隐藏层的神经网络的性能，所以看到MLP模型落后于线性回归模型(假设你正在使用相对较小的数据集(也就不足为奇了。更大的数据集肯定会帮助神经网络学习更准确的参数并很好地概括现象。
现在来到你的第二个问题，Tensorflow 基本上是一个用于构建深度学习模型的库，所以每当你在处理图像识别、自然语言处理等深度学习问题时，你需要大量的计算能力，并且需要处理大量数据来训练你的模型，这就是 TensorFlow 变得派上用场的地方， 它为您提供GPU支持，这将显着促进您的训练过程，否则几乎是不可能的。此外，如果您正在构建必须在生产环境中部署的产品才能使用，则可以使用TensorFlow Serving，它可以帮助您使模型更接近客户。