[WEB+AI] 27일차 딥러닝 1/2

딥러닝 텐서플로우

 

강사: 이숙번님

 

1. 딥러닝

 

 

 

• 지도학습: 정답이 있는(종속변수가 있음) 상태에서 학습
• 비지도학습: 정답이 없는 상태에서 학습
• 강화학습: 환경이 있음.

 

 

 

 1.1. 레모네이드 판매량 예측하기

import pandas as pd
import tensorflow as tf

# 1. 데이터를 준비합니다.
레모네이드 = pd.read_csv('lemonade.csv')
x_train = df[['온도']]
y_train = df[['판매량']]
print(x_train.shape, y_train.shape)

# 2. 모델의 구조를 만듭니다.
X = tf.keras.layers.Input(shape=[1])
Y = tf.keras.layers.Dense(1)(X)
model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')

# 3. 데이터로 모델을 학습(fit)합니다.
model.fit(x_train, y_train, epochs=1000)

# 4. 모델을 이용합니다.
model.predict(tf.constant([[15]]))

 

• 모델은 단순 선형 회귀 형태입니다:

      Y = W⋅X+b

• X: 입력 (온도).
• W: 가중치.
• b: 편향.
• Y: 출력 (판매량).

• Dense(1)은 출력층의 뉴런 수가 1개라는 뜻입니다.
• 손실 함수로 mse(Mean Squared Error)를 사용: 오차 제곱 평균을 최소화하여 모델의 예측값이 실제 값과 가까워지도록 학습합니다.
• 모델을 학습시킬 때:
  1. 독립 변수 (온도)를 입력 데이터로 사용.
  2. 종속 변수 (판매량)을 실제 레이블로 사용.
  3. epochs=1000은 학습을 1000번 반복한다는 뜻입니다.
• 이 과정에서 모델은 W와 b를 최적화하여 예측이 실제 데이터와 가까워지도록 조정합니다.
• 학습이 완료된 후, 독립 변수(온도)를 입력으로 넣어 판매량을 예측합니다.
• 결과는 각 온도 값에 대해 학습된 모델이 계산한 예측 판매량입니다.

# 결과

1. 학습 중 출력:
   • 모델이 매 epoch마다 손실(mse) 값을 출력합니다.
   • 손실 값은 점차 감소하며, 이는 모델이 점점 데이터를 잘 학습하고 있다는 의미입니다.
2. 예측 결과 출력:
   • model.predict(독립)은 입력 데이터(온도)에 대한 예측값(판매량)을 반환합니다.
   • 예: [[50], [60], [70]] 같은 온도 입력에 대해 [[200], [250], [300]] 같은 판매량 예측값이 나옵니다.

 

레모네이드[['온도', '판매량']] # 필드를 여러개 지정해서 DataFrame(표) 형태로 가져오기. [[1, 1], [2, 2], [3, 3], [4, 4], [5, 5], [6, 6]]
레모네이드['온도'] # 필드를 하나 지정해서 Series(리스트) 형태로 가져오기. [1, 2, 3, 4, 5, 6]
# 레모네이드['온도', '판매량'] # 필드를 하나 지정해서 리스트 형태로 가져오기. - 이렇게 쓰면 에러. 대괄호 한번은 필드 하나만 지정 가능

 

 

model.get_weights()

# 결과
[array([[1.967355]], dtype=float32), array([0.7503077], dtype=float32)]

# 판매량 = 1.967355 * 온도 + 0.7503077

 

 

 1.2. 보스턴 집값 예측하기

import pandas as pd
import tensorflow as tf

url = 'https://raw.githubusercontent.com/blackdew/tensorflow1/refs/heads/master/csv/boston.csv'
df = pd.read_csv(url)

x_train = df[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax',
       'ptratio', 'b', 'lstat']]    
y_train = df[['medv']]  

print(df.shape)
print(x_train, y_train)

X = tf.keras.layers.Input(shape=[13])
Y = tf.keras.layers.Dense(1)(X)
model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')  

model.summary()

model.fit(x_train, y_train, epochs=1000)

df_sample = df.sample(5)
model.predict(df_sample.iloc[:, :13])

 

 

b: 기본값이나 초기값, 그래프의 위치를 결정함.

 

만약 b가 없다면:

• 모든 직선은 원점(0, 0)을 지나야 합니다.
• 하지만 대부분의 데이터는 원점을 지나지 않으므로 bb가 필요합니다.

 

 

 

 

 

 

 1.3. 아이리스 분류하기

  1.3.1. 원핫인코딩

 

  - 범주형 데이터 유형을 처리하는 가장 유용한 방법

 

 

import pandas as pd

url = 'https://raw.githubusercontent.com/blackdew/tensorflow1/refs/heads/master/csv/iris.csv'
df = pd.read_csv(url)
df_onehot = pd.get_dummies(df)

 

 

 

import pandas as pd

url = "https://raw.githubusercontent.com/blackdew/tensorflow1/refs/heads/master/csv/iris.csv"
df = pd.read_csv(url)
df_onehot = pd.get_dummies(df)

x_train = df_onehot[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]
y_train = df_onehot[['품종_setosa', '품종_versicolor', '품종_virginica']]
print(df_onehot.shape)
print(x_train.shape, y_train.shape)

X = tf.keras.Input(shape=[4])
Y = tf.keras.layers.Dense(3, activation="softmax")(X)
model = tf.keras.Model(X, Y)
model.compile(loss="categorical_crossentropy", metrics=['accuracy'])

model.summary()

model.fit(x_train, y_train, epochs=1000)

df_sample = df.sample(5)
model.predict(df_sample.iloc[:, :4])

# 결과
...
Epoch 1000/1000
5/5 ━━━━━━━━━━━━━━━━━━━━ 0s 5ms/step - accuracy: 0.9720 - loss: 0.1604 
1/1 ━━━━━━━━━━━━━━━━━━━━ 0s 93ms/step
array([[2.40786831e-04, 7.86004663e-01, 2.13754579e-01],
       [1.03812345e-05, 3.38136911e-01, 6.61852717e-01],
       [9.99131382e-01, 8.68640433e-04, 5.44598215e-08],
       [6.76493926e-07, 1.92442536e-01, 8.07556808e-01],
       [1.48948713e-03, 8.81887913e-01, 1.16622604e-01]], dtype=float32)

 

df_sample['품종']

 

 

---

출처: AI Hub 교육과정 - WEB+AI (위 내용이 문제가 된다면 댓글에 남겨주세요. 바로 삭제조치하도록 하겠습니다.)