728x90
반응형
이전에 학습했던 모델은 Input 되는 Node의 수가 2개인 모델이었다. Input Node의 수를 3개 이상으로 하는 방법도 크게 다르지 않다. 이번 포스트에서는 Output Node의 수를 2개로 해보도록 하겠다.
학습 목표
- 연속형 데이터를 이용하여 Input Node가 3개이고, Output Node가 2개인 데이터를 컴퓨터가 맞추도록 해보자.
- 패턴:
$$h(x)=\begin{cases}y_1=0.3x_1+0.2x_2-0.4x_3+0.1x_4+2 \\ y_2=0.5x_1-0.1x_2+0.3x_3+0x_4-2\end{cases}$$
구현해보자.
1. 데이터셋 생성
# import mudule
import pandas as pd
import numpy as np
from tensorflow import keras
from tensorflow.keras.layers import Dense# Dataset 생성
def f1(x1, x2, x3, x4):
return 0.3*x1 + 0.2*x2 - 0.4*x3 + 0.1*x4 + 2
def f2(x1, x2, x3, x4):
return 0.5*x1 - 0.1*x2 + 0.3*x3 - 2
def make_dataset(start_N, end_N):
x1 = np.arange(start_N, end_N)
x2 = x1 + 1
x3 = x1 + 2
x4 = x1 + 3
y1 = f1(x1, x2, x3, x4)
y2 = f2(x1, x2, x3, x4)
append_for_shuffle = np.c_[x1, x2, x3, x4, y1, y2]
np.random.shuffle(append_for_shuffle)
X = append_for_shuffle[:,[0,1,2,3]]
y = append_for_shuffle[:,[4,5]]
return X, yX, y = make_dataset(0, 1000)
X_train, X_test = X[:800], X[800:]
y_train, y_test = y[:800], y[800:]- 생성된 Dataset을 보자.
>>> X_train
array([[491., 492., 493., 494.],
[ 47., 48., 49., 50.],
[755., 756., 757., 758.],
...,
[445., 446., 447., 448.],
[429., 430., 431., 432.],
[881., 882., 883., 884.]])
>>> y_train
array([[ 99.9, 342.2],
[ 11.1, 31.4],
[152.7, 527. ],
...,
[ 90.7, 310. ],
[ 87.5, 298.8],
[177.9, 615.2]])
2. 모델 생성 및 학습
# 모델 생성 및 Compile 실시
model = keras.Sequential()
model.add(Dense(128, activation = "relu"))
model.add(Dense(64, activation = "relu"))
model.add(Dense(32, activation = "relu"))
model.add(Dense(16, activation = "relu"))
model.add(Dense(2, activation = "linear"))
opt = keras.optimizers.Adam(learning_rate=0.005)
model.compile(optimizer = opt, loss = "mse")
# 표준화
min_key = np.min(X_train)
max_key = np.max(X_train)
X_std_train = (X_train - min_key)/(max_key - min_key)
y_std_train = (y_train - min_key)/(max_key - min_key)
X_std_test = (X_test - min_key)/(max_key - min_key)>>> model.fit(X_std_train, y_std_train, epochs = 100)
Epoch 1/100
25/25 [==============================] - 1s 1ms/step - loss: 0.0181
Epoch 2/100
25/25 [==============================] - 0s 1ms/step - loss: 1.9474e-04
Epoch 3/100
25/25 [==============================] - 0s 1ms/step - loss: 2.2225e-05
Epoch 4/100
25/25 [==============================] - 0s 1ms/step - loss: 3.8012e-06
Epoch 5/100
25/25 [==============================] - 0s 1ms/step - loss: 7.8100e-07
Epoch 6/100
25/25 [==============================] - 0s 1ms/step - loss: 3.6994e-07
...
Epoch 96/100
25/25 [==============================] - 0s 1ms/step - loss: 1.1601e-07
Epoch 97/100
25/25 [==============================] - 0s 1ms/step - loss: 1.8677e-07
Epoch 98/100
25/25 [==============================] - 0s 956us/step - loss: 3.6037e-07
Epoch 99/100
25/25 [==============================] - 0s 878us/step - loss: 3.3609e-07
Epoch 100/100
25/25 [==============================] - 0s 873us/step - loss: 1.9744e-07
<tensorflow.python.keras.callbacks.History at 0x1d068dd0670>>>> def MAE(x, y):
>>> return np.mean(np.abs(x - y))
>>> pred = model.predict(X_std_test) * (max_key - min_key) + min_key
>>> print("Accuracy:", MAE(pred, y_test))
Accuracy: 0.1379637644290885- 정확도(Accuracy)는 0.137로 만족스러울 정도는 아니지만 그리 나쁘진 않게 나왔다.
- 정확도는 평균 절댓값 오차(MAE)로 구하였으므로, RMSE보다 실제 편차에 더 가깝다고 할 수 있다.
- 실제 데이터의 생김새를 보자.
DF = pd.DataFrame(pred, columns=["y1_pred", "y2_pred"])
DF[["y1_label", "y2_label"]] = y_test
DF["y1_gap"] = DF["y1_label"]-DF["y1_pred"]
DF["y2_gap"] = DF["y2_label"]-DF["y2_pred"]
DF[["y1_pred", "y1_label", "y1_gap", "y2_pred", "y2_label", "y2_gap"]]
- 만족스러운 수준은 아니지만, 실제 데이터와 예측 데이터가 꽤 유사하게 나왔다.
지금까지 가볍게 연속형 데이터를 이용해서 숨겨진 패턴을 찾아보았다. 다음 포스트에서는 머신러닝을 할 때, 가장 처음 사용하게 되는 실제 데이터인 타이타닉 데이터를 이용해서 생존 여부를 분류해보도록 하겠다.
728x90
반응형
'Machine Learning > TensorFlow' 카테고리의 다른 글
| Tensorflow-2.1. 타이타닉 데이터 설명 (0) | 2021.02.09 |
|---|---|
| Tensorflow-2.0. 캐글(Kaggle)과 타이타닉 데이터 (0) | 2021.02.09 |
| Tensorflow-1.5. 기초(6)-기초 모델 만들기(1)-변수 2개인 경우 (0) | 2021.02.08 |
| Tensorflow-1.4. 기초(5)-하이퍼 파라미터 튜닝 (0) | 2021.02.08 |
| Tensorflow-1.3. 기초(4)-특성 스케일 조정 (0) | 2021.02.08 |
