줘이리의 인생적기

저번 시간에 train, test 셋으로 나누는 작업까지 해보았습니다. 다음 작업은 정답 행렬을 원-핫 인코딩 방식으로 바꾸는 함수를 사용하는 것입니다. https://wikidocs.net/22647 위키독스 온라인 책을 제작 공유하는 플랫폼 서비스 wikidocs.net 원-핫인코딩에 관한 내용은 이 자료를 이용하시면 되겠습니다. 그 이후 모델을 만들고, complie 후 네트워크 학습을 시키도록 하겠습니다 import pandas as pd import matplotlib.pyplot as plt import numpy as np import tensorflow as tf #wine 데이터 받아오기 red = pd.read_csv('http://archive.ics.uci.edu/ml/machine..

이항 분류는 정답의 범주가 2개인 분류 문제입니다. 예를 들어, 개냐 고양이냐, 사람이냐 자동차냐하는 문제이죠. 이항 분류에서 또 유명한 데이터셋이죠 와인 데이터를 이용하여 이항 분류를 공부해보겠습니다. 와인 데이터셋은 앞서 공부한 보스턴 가격 주택처럼 keras와 tensorflow처럼 내장되어 있지 않습니다. 외부에서 데이터를 불러오는 과정이 필요합니다. 먼저 이 데이터는 당도, 밀도, 산도, 알코올 도수, 품질 등 12개 속성을 가지고 있습니다. 첫 번째로 할 일은 이 데이터를 사용하기 위해 화이트인지 레드인지에 대한 속성을 추가해주어야겠죠 두 번째는 데이터들을 합치고, 랜덤하게 섞는 과정이 필요합니다. 마지막은 보스턴 주택 가격 데이터셋에서 했던 것처럼 데이터 정규화가 필요합니다. 정규화 전까지의..

앞선 포스팅에서 사용했었던 Sequantial 모델을 사용하도록 하겠습니다. 4개의 Dense 레이어, relu, Adam, mse를 사용하겠습니다. from tensorflow.keras.datasets import boston_housing import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #데이터셋 가져오기 (train_X, train_Y), (test_X, test_Y) = boston_housing.load_data() ###########정규화 (Standardization) ############# # X 값 Standardization X_mean = train_X.mean(axis=0) X_std = tr..

딥러닝에서 유명한 예제죠. 보스턴 주택 가격 예측 네트워크를 만들어보겠습니다. 보스턴 주택 가격 데이터셋은 keras와 tf.keras에 기본적으로 내장되어 있습니다. 먼저 훈련 데이터, 검증 데이터, 테스트 데이터에 대해 알아봅시다. 훈련(train) 데이터는 학습 과정에서 사용되는 데이터입니다. 검증(validation) 데이터는 학습이 잘 되고 있는지 검증하는 용도로 사용되는 데이터입니다. 테스트(test) 데이터는 학습 결과를 평가하기 위한 데이터입니다. 다음은 보스턴 주택 가격 데이터셋에 대하여 알아보겠습니다. 1978년 미국 보스턴 지역의 주택 가격이며, 506개 지역의 주택 가격 중앙값을 1,000달러 단위로 나타냈습니다. 범죄율, 주택당 방의 수, 고속도로 접근성, 학생/교사 비율 등 13..

앞서 배웠던 것들로 학령인구와, 노령인구의 경향을 나타내주는 딥러닝 네트워크 회귀선을 만들어 보겠습니다. import tensorflow as tf import numpy as np import matplotlib.pyplot as plt #X = school_age_population, Y = elderly_population X = [16.4, 14.7, 17.2, 16.6, 17.1, 20.3, 17.2, 15.6, 17.4, 18.7, 16.9, 17.1, 15.8, 19.3, 16.6, 15.1, 17.9] Y = [11.4, 13.2, 11.1, 17.6, 16.3, 9.2, 15.2, 18.4, 18.5, 11.6, 13.7, 9.7, 21.5, 12.0, 14.5, 15.8, 14.0] m..

이번에는 직선이 아니라 곡선 회귀선을 구해보도록 하겠습니다. 직선인 1차 함수에서 곡선 2차 함수로 조금 복잡해지기 때문에 함수명을 조금 간단하게 바꾸어보도록 하겠습니다. import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import random #X = school_age_population, Y = elderly_population X = [16.4, 14.7, 17.2, 16.6, 17.1, 20.3, 17.2, 15.6, 17.4, 18.7, 16.9, 17.1, 15.8, 19.3, 16.6, 15.1, 17.9] Y = [11.4, 13.2, 11.1, 17.6, 16.3, 9.2, 15.2, 18.4, 18...

tensorflow 10번째 게시물에서 수식과 최소제곱법을 이용하여 회귀선을 도출했었습니다. 하지만 텐서플로우에서는 이러한 어려운 수학 수식없이 회귀선을 구할 수 있습니다. [tensorflow 10] 선형회귀01 에서 사용했던 자료들을 이용해보겠습니다. 먼저, tf.Variable를 통해 랜덤 값을 뽑아내고 tf.reduce_mean을 통해 잔차의 제곱의 평균을 뽑아내고 tf.optimizers를 통해 잔차의 제곱의 평균을 최소화하려고 합니다. import tensorflow as tf import numpy as np import matplotlib.pyplot as plt import random school_age_population = [16.4, 14.7, 17.2, 16.6, 17.1, 20..

데이터의 경향성을 잘 설명하는 하나의 직선을 예측하는 선형 회귀(Linear Regression)에 대해 공부해보겠습니다. 예를 들어, 키와 몸무게 2개의 데이터 경향성을 보면 키가 클수록 몸무게가 많이 나갈 확률이 높습니다. 또, 날씨의 온도와 호빵의 판매량 2개의 데이터 경향성을 보면 날씨가 추울수록 호빵이 많이 판매될 확률이 높습니다. 저는 통계청에 재미있는 통계들이 많이 있어서 2개의 데이터를 뽑아 어떤 경향성이 있는지 확인해보려고 합니다. kosis.kr/easyViewStatis/visualizationIndex.do KOSIS 국가통계포털 kosis.kr 저는 이 곳에서 2017년 지역별로 학령인구와 고령인구비율 데이터를 가지고 이 두 데이터가 어떤 경향성을 가지고 있는지 선형 회귀로 예측해..