Multi-Layer로 확장 (보스톤 집값)

import tensorflow as tf

import pandas as pd

# 과거 데이터 준비

filepath = '/content/sample_data/boston.csv'

boston = pd.read_csv(filepath)

# print(boston.columns)

boston.head()

# 독립

independent = boston[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']]

# 종속

dependent = boston[['medv']]

# print(independent.shape, dependent.shape)

# 2. 모델 구조 생성

X = tf.keras.layers.Input(shape=[13])

H = tf.keras.layers.Dense(10, activation='swish')(X)

Y = tf.keras.layers.Dense(1)(H)

model = tf.keras.models.Model(X, Y)

model.compile(loss='mse')

# 모델 구조 확인

model.summary()

# 3. 모델 학습(FIT)

model.fit(independent, dependent, epochs=1000, verbose=0)

# model.fit(independent, dependent, epochs=10)

# 4. 모델 이용(예측)

print(model.predict(independent[5:10]))

# 종속 변수 확인

print(dependent[5:10])

# 모델 수식 확인

# print(model.get_weights())

 

 

 

 

 

 

1. 데이터 준비 및 확인

import tensorflow as tf
import pandas as pd

# 과거 데이터 준비
filepath = '/content/sample_data/boston.csv'
boston = pd.read_csv(filepath)
boston.head()

 

 

 

• 먼저 TensorFlow와 Pandas를 가져옵니다.
• pd.read_csv() 함수를 사용하여 CSV 파일을 읽고, 데이터프레임 형태로 변환합니다.
• boston.head()를 호출하여 데이터프레임의 처음 5개 행을 출력합니다.

 

 

 

 

 

 

 

 

 

2. 독립 변수와 종속 변수 설정

# 독립
independent = boston[['crim', 'zn', 'indus', 'chas', 'nox', 'rm', 'age', 'dis', 'rad', 'tax', 'ptratio', 'b', 'lstat']]

# 종속
dependent = boston[['medv']]

 

 

 

• 독립 변수는 주택 가격에 영향을 미치는 특징들입니다. 여기서는 주택의 인구 밀도, 공기 오염도 등을 포함합니다.
• 종속 변수는 주택의 중앙값(medv)입니다. 즉, 주택 가격을 나타냅니다.

 

 

 

 

 

 

 

 

3. 모델 구조 생성

X = tf.keras.layers.Input(shape=[13])
H = tf.keras.layers.Dense(10, activation='swish')(X)
Y = tf.keras.layers.Dense(1)(H)
model = tf.keras.models.Model(X, Y)
model.compile(loss='mse')

 

 

 

• 입력 레이어(X)를 생성합니다. 여기서는 13개의 특징이 있는 데이터를 사용합니다.
• tf.keras.layers.Dense()를 사용하여 은닉층(H)과 출력 레이어(Y)를 생성합니다. 이전 코드와 달리 은닉층에 활성화 함수로 Swish를 사용하였습니다.
• tf.keras.models.Model()로 모델을 생성하고, model.compile() 함수를 사용하여 손실 함수를 MSE(평균 제곱 오차)로 설정합니다.

 

 

 

 

 

 

 

 4. 모델 학습(FIT)

 

model.fit(independent, dependent, epochs=1000, verbose=0)

 

 

• model.fit() 함수를 사용하여 모델을 학습시킵니다. 독립 변수와 종속 변수를 입력하고, 1000번의 에포크 동안 학습합니다.

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 5. 모델 이용(예측)

 

print(model.predict(independent[5:10]))

 

 

• model.predict() 함수를 사용하여 학습된 모델을 사용하여 독립 변수의 일부 데이터에 대한 예측을 수행합니다.

 

 

 

 

 

 

 

 

 

 

 6. 종속 변수 확인

 

print(dependent[5:10])

 

• 실제 종속 변수 값을 출력하여 예측 값과 비교합니다.