작성: 2020-08-26 수정:
2020-08-26
코딩야학 Tensorflow 4일차(1)
아이리스 품종 예측
1. 코드로 옮기기
이전시간에 배운 원핫인코딩을 적용하여 코드를 작성해보자.
import tensorflow as tf
import pandas as pd
path = "https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv"
iris = pd.read_csv(path)
iris = pd.get_dummies(iris)
dependent = iris[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]
independent = iris[['품종_setosa', '품종_versicolor', '품종_virginica']]
X = tf.keras.layers.Input(shape=[4])
Y = tf.keras.layers.Dense(3, activation='softmax')(X)
model = tf.keras.models.Model(X, Y)
model.compile(loss='categorical_crossentropy',
metrics='accuracy')
model.fit(dependent, independent, epochs=1000)
이전 레몬에이드, 집값 예측 코드와 크게 달라진 부분은 없지만 몇 가지 부분이 추가 되었다.
- 원핫인코딩을 하는
pd.get_dummies라는 코드가 추가되었다. - 종속변수가 1개 였지만, 원핫인코딩 과정을 통해서 3개로 늘어난 것을 코드에서 볼 수 있다.
- Dense에 추가된
softmax, comile부분에 추가된crossentropy에 대해서는 나중에 다시 정리한다. - compile에 추가된
metrics='accuracy'는 fit을 수행할 때, 사람이 보기 좋은 지표인 정확도(accuracy)를 출력해주는 옵션이다.
2. 결과 확인
2.1 학습 결과 확인
1000번 학습 시킨 결과이다. loss값이 0.1613, accuracy가 0.9800으로 학습이 잘된 것 같다.
5/5 [==============================] - 0s 2ms/step - loss: 0.1629 - accuracy: 0.9800
Epoch 991/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1631 - accuracy: 0.9800
Epoch 992/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1629 - accuracy: 0.9800
Epoch 993/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1625 - accuracy: 0.9800
Epoch 994/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1621 - accuracy: 0.9800
Epoch 995/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1622 - accuracy: 0.9800
Epoch 996/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1621 - accuracy: 0.9800
Epoch 997/1000
5/5 [==============================] - 0s 1ms/step - loss: 0.1619 - accuracy: 0.9800
Epoch 998/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1616 - accuracy: 0.9800
Epoch 999/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1619 - accuracy: 0.9800
Epoch 1000/1000
5/5 [==============================] - 0s 2ms/step - loss: 0.1613 - accuracy: 0.9800
2.2 예측 결과 확인
독립변수를 이용해서 얼마나 예측을 잘하는지 실행해 보자.
print(model.predict(dependent[0:5]))
print(independent[0:5])
array([[9.9907386e-01, 9.2596951e-04, 8.9248459e-08],
[9.9502903e-01, 4.9698786e-03, 1.0555383e-06],
[9.9821305e-01, 1.7866686e-03, 3.1786809e-07],
[9.9553680e-01, 4.4619455e-03, 1.3489342e-06],
[9.9935681e-01, 6.4307783e-04, 6.1289278e-08]], dtype=float32)
품종_setosa 품종_versicolor 품종_virginica
0 1 0 0
1 1 0 0
2 1 0 0
3 1 0 0
4 1 0 0
출력 결과가 부동소수점 실수 표기법으로 9.9907386e-01가 출력되서 당황할 수 있지만, 생각보다 어렵지 않다.
파이썬에서 실수를 유효숫자e지수 방법으로 표현한다.
따라서 9.9907386e-01는 $9.9907386 \times 10^{-1}$로 0.99907386으로 읽을 수 있다.
5개 모두 99% 정답을 setosa라고 잘 예측한것을 볼 수 있다.
2.3 weights와 bias 확인
print(model.get_weights())
weights와 bias를 확인해보자!
[array([[ 0.7652065 , 0.9651051 , -0.08326522],
[ 3.230205 , -0.21848603, -1.3792841 ],
[-3.548093 , -0.5829089 , 0.96351486],
[-3.6489978 , -1.2600076 , 1.7164605 ]], dtype=float32),
array([ 1.7828934, 1.2210305, -1.3769467], dtype=float32)]
대략 12줄의 코드와 데이터만 가지고 이렇게 멋진 수식을 만들어 냈다.