[DL] 실습 - 이진분류 (유방암 여부)

• 유방암 환자 데이터를 통하여 유방암 여부를 분류
• 딥러닝을 활용하여 이진분류 딥러닝 모델 설계 및 학습
• sklearn.datasets 에서 제공하는 breast_cancer (유방암) 데이터 활용

• 목차

1. 라이브러리 불러오기

   import numpy as np
   import pandas as pd
   import matplotlib.pyplot as plt
   from sklearn.datasets import load_breast_cancer

2. 데이터 불러오기 및 분리

   data = load_breast_cancer()
   
   # 문제, 정답 분리
   X = data['data']
   y = data['target']
   
   # train, test split
   from sklearn.model_selection import train_test_split
   X_train, X_test, y_train, y_test  = train_test_split(X, y, test_size=0.25, random_state=42, stratify=y)

   • sklearn data 셋 이름 = 번치

     # data: 입력 특성
     # feature_names: 입력 특성의 실제 이름 (컬럼명)
     # target: label, 정답 데이터 (인덱스 형태)
     # target_names: 정답 데이터의 실제 이름
     # DESCR: 데이터에 대한 설명

   • 정답데이터(label) 정보

     data['target_names'] # = data.target_names
     # 0 - 'malignant' : 악성 (암)
     # 1 - 'benign' : 양성 (깨끗한 종양)
     # 클래스가 2개 -> 이진분류 학습이 필요하다~

3. 신경모델망 설계

   from tensorflow.keras import Sequential
   from tensorflow.keras.layers import Input, Dense, Activation
   
   model = Sequential()
   # input
   model.add(Input(shape=(30,)))
   # hidden
   model.add(Dense(units=8, activation='sigmoid'))
   model.add(Dense(units=16, activation='sigmoid'))
   model.add(Dense(units=32, activation='sigmoid'))
   # output -> 이진분류 (직선 1개 필요)
   model.add(Dense(uniuts=1, activation='sigmoid'))

   • 여기서 activation 함수의 역할은 추가 연산
   • 분류에서는 선형모델에서 나온 값을 확률 값으로 바꿔주는 역할! sigmoid 함수는 0~1사이 값으로 반환해주므로, 확률값으로 변환해줌!
     
   • 이진분류 → class 1인지 아닌지 판별 → class 1에 대한 확률값 1개만 필요 확률값 0.5 이상 → class 1, 0.5 미만 → class 0

4. 학습 방법 및 평가 방법 설정

   model.compile(loss = 'binary_crossentropy',
                 optimizer = 'SGD',
                 metrics = ['accuracy'])

5. 모델 학습

   h1 = model.fit(X_train, y_train, validation_split=0.2, epochs=20)

6. 결과 확인

   plt.plot(h1.history['accuracy'], label = 'acc')
   plt.plot(h1.history['val_accuracy'], label = 'val_acc')
   plt.legend()