딥러닝 - 회귀 이진 다중

회귀분류

연속적인 수치를 예측 (예: 주택 가격, 온도).

출력층 활성화 함수: 회귀 문제에서는 주로 relu 또는 활성화 함수가 없는 선형 출력을 사용합니다.

손실 함수: mean_squared_error (MSE) 또는 mean_absolute_error (MAE)와 같은 손실 함수가 일반적

이진분류

두 가지 클래스 중 하나를 예측 (예: 스팸 vs. 일반 메일)
출력층 활성화 함수: sigmoid (출력값이 0과 1 사이의 확률로 나옴).
이진 분류는 클래스가 두 개(예: 0과 1)이므로, 출력층에 노드 하나와 sigmoid 활성화 함수를 사용하면 됩니다.

이진 분류의 경우:

출력층은 Dense(1, activation='sigmoid')로 설정하며, 이는 각 샘플이 클래스 1일 확률을 출력합니다.

(activation) : relu -> sigmiod , binary_crossentropy

다중분류

세 가지 이상의 클래스 중 하나를 예측 (예: 개, 고양이, 새 분류).

(activation) : relu -> softmax , sparse_categorical_crossentropy (정수형)
							   , categorical_crossentropy (원핫인코딩)                   

y_train의 클래스 개수와 모델 마지막 Dense 출력층 노드수와 같이야함

#클래스 개수 확인
pd.Series(y_train).value_counts() --> if 오류 : 원핫인코딩 , else : 정수형

(activation) : relu -> softmax , sparse_categorical_crossentropy (정수형)
							   , categorical_crossentropy (원핫인코딩)                          

원핫인코딩, 정수형 확인법

print(y_train.shape)
print(y_train[:5])

#1. 원핫인코딩

y_train[[1,0,0]					
 		[0,1,0]
 		[0,0,1]
 		[0,1,0]]

#2. 정수형

y_train[0,1,2,1,0]