[tensorflow](3) keras로 딥러닝 모델 만들기

tf.keras.models.Sequential([레이어1, 레이어2, 레이어3 ...])

딥러닝 모델 디자인하는 법
Sequential을 쓰면 신경망 레이어들을 자동으로 만들어줌

사용 데이터셋

tf.keras.layers.Dense(노드의 개수)

노드의 개수는 관습적으로 2의 배수를 사용

model = tf.keras.models.Sequential([
     tf.keras.layers.Dense(64), #중간레이아
     tf.keras.layers.Dense(128), #중간레이어
     tf.keras.layers.Dense(1)                       
])

결과가 (0과 1로) 하나가 나와야하므로
마지막 출력 레이어에는 노드의 개수를 1로 주어줌

레이어를 디자인할때는 꼭 활성 함수가 있어야 함

 tf.keras.layers.Dense(64, activation='sigmoid')

ex) sigmoid / tanh / relu / softmax

확률 예측 문제이므로 마지막 레이어는 항상 예측 결과를 도출해야함
sigmoid는 모든 값을 0-1 사이로 압축해줌 -> 딥러닝이 도출한 0과 1 사이의 결과를 확률로 해석할 수 있음

model = tf.keras.models.Sequential([
     tf.keras.layers.Dense(64, activation='tanh'),
     tf.keras.layers.Dense(128, activation='tanh'),
     tf.keras.layers.Dense(1, activation='sigmoid')                       
])

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

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

optimizer : 경사하강법에서 러닝레이트나 기울기값들을 조정하는 역할을 함
ex) adagrad / adadelta / rmspop / sgd / adam

loss : 손실함수
0인지 1 사이의 분류 / 확률예측문제에는 binary_crossentropy

metrix

model.fit(x데이터, y데이터, epochs=10)

x데이터로 y데이터를 추론해주세요
10번 학습을 시킬게요

x데이터 : 트레이닝 데이터 ! 주어진 데이터 셋에서는 gre / gpa / rank
y데이터 : 실제 정답 admit
epochs : 몇번 학습을 시킬지

x데이터 = [[데이터1], [데이터2], [데이터3], ...]
y데이터 = [정답1, 정답2, 정답3, ...]

pandas와 numpy 이용하기

pandas import

import pandas as pd

data = pd.read_csv('gpascore.csv')
print(data)

데이터 전처리하기

위와 같이 결측된 데이터가 있다면 ?

print(data.isnull().sum())

결측 데이터 확인하기

data.dropna() / data.fillna(0)

결측값 제거

data['gpa'].min() / data['gpa'].max()

특정 열의 최대 최소값 확인하기

data['admit'].values

리스트 안에 데이터를 담아줘요

y데이터 = data['admit'].values

data.iterrow()

pandas로 연 데이터를 dataframe 이라고 하는데,
거기에 붙일 수 있는 함수

iterrow()를 통해 한행씩 출력이 가능함

for i, rows in data.iterrows():
  x데이터.append([rows['gre'], rows['gpa'], rows['rank']])

x데이터와 y데이터는 numpy array or tensor 을 줘야함

파이썬 일반 리스트는 ㄴㄴ
그래서 리스트를 numpy array 라는 자료형으로 변환해야함

np.array(x데이터)

model.fit(np.array(x데이터), np.array(y데이터), epochs=10)

numpy 는 파이썬으로 행렬 , 벡터 이런 거 만들때 사용하는 라이브러리

Epoch 1/10 : 전체 데이터셋을 한번써서 한번 학습이 이뤄졌음
loss : 예측값과 실제 데이터의 차이를 합산한 값, 손실값이 적을 수록 좋아요
accuaracy : 실제 예측값과 실제 데이터와 얼마나 정확히 맞는지 ! 높을수록 좋음

epochs 값을 올릴수록 성능 향상이 일어남

근데 가끔 epochs 값을 늘어도 accuracy나 loss 성능향상이 일어나지 않을수도 있음 이건운빨

학습시킨 모델로 예측해보자

예측값 = model.predict([[750, 3.70, 3], [400, 2.2, 1]])
print(예측값)

딥러닝의 프로세스

1. 모델만들고
2. 데이터 집어넣고 학습
3. 새로운 데이터 넣고 예측하기

성능향상요소

• 데이터 전처리를 깔끔하게
• 하이퍼파라미터 튜닝 : 노드의 개수나 기타 값을 실험적으로 조정하면서 성능 향상시키기