Multi-Layer로 확장 (IRIS분류)

import tensorflow as tf

import pandas as pd

# 과거 데이터 준비

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

iris = pd.read_csv(filepath)

iris.head()

# one-hot encoding

after_encoding = pd.get_dummies(iris)

after_encoding.head()

print(after_encoding.columns)

# 독립변수, 종속변수

independent = after_encoding[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]

dependent = after_encoding[['품종_setosa', '품종_versicolor', '품종_virginica']]

print(independent.shape, dependent.shape)

# 2. 모델 구조

X = tf.keras.layers.Input(shape=[4])

H = tf.keras.layers.Dense(8, activation='swish')(X)

Y = tf.keras.layers.Dense(3, activation='softmax')(H)      

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

model.compile(loss='categorical_crossentropy', metrics='accuracy')

# 모델 구조 확인

model.summary()

# 3. 모델 학습(FIT)

model.fit(independent, dependent, epochs=90, verbose=0)

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

# 4. 모델 이용. 맨 처음 데이터 5개

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

print(dependent[:5])

# weight & bias 출력

# print(model.get_weights())

 

 

 

1. 데이터 준비 및 확인

import tensorflow as tf
import pandas as pd

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

 

 

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

 

 

 

 

 

 

 

2. One-hot Encoding

after_encoding = pd.get_dummies(iris)
after_encoding.head()
print(after_encoding.columns)

 

 

• One-hot encoding을 수행합니다. 범주형 데이터를 더미 변수로 변환합니다.
• pd.get_dummies() 함수를 사용하여 범주형 변수를 더미 변수로 변환합니다.
• 변환된 데이터프레임의 처음 5개 행을 출력합니다.
• after_encoding.columns을 사용하여 더미 변수의 열 목록을 출력합니다.

 

 

 

 

 

 

3. 독립 변수와 종속 변수 설정

# 독립변수, 종속변수
independent = after_encoding[['꽃잎길이', '꽃잎폭', '꽃받침길이', '꽃받침폭']]
dependent = after_encoding[['품종_setosa', '품종_versicolor', '품종_virginica']]
print(independent.shape, dependent.shape)

 

 

• 독립 변수는 꽃잎과 꽃받침의 길이와 폭입니다.
• 종속 변수는 세 가지 품종(setosa, versicolor, virginica)을 나타내는 더미 변수입니다.
• shape를 사용하여 독립 변수와 종속 변수의 모양을 출력합니다.

 

 

 

 

 

 

 

 

 

4. 모델 구조 생성

X = tf.keras.layers.Input(shape=[4])
H = tf.keras.layers.Dense(8, activation='swish')(X)
Y = tf.keras.layers.Dense(3, activation='softmax')(H)      
model = tf.keras.models.Model(X, Y)
model.compile(loss='categorical_crossentropy', metrics='accuracy')

 

 

 

• 입력 레이어(X)를 생성합니다. 여기서는 4개의 특징이 있는 데이터를 사용합니다.
• tf.keras.layers.Dense()를 사용하여 은닉층(H)과 출력 레이어(Y)를 생성합니다. 은닉층에는 Swish 활성화 함수를 사용하였고, 출력 레이어에는 Softmax 활성화 함수를 사용합니다.
• tf.keras.models.Model()로 모델을 생성하고, model.compile() 함수를 사용하여 손실 함수를 categorical crossentropy로 설정하고 정확도 지표를 설정합니다.

 

 

 

 

 

 

 

 

 

5. 모델 구조 확인

model.fit(independent, dependent, epochs=90, verbose=0)

 

• model.fit() 함수를 사용하여 모델을 학습시킵니다. 독립 변수와 종속 변수를 입력하고, 90번의 에포크 동안 학습합니다.

 

 

 

 

 

 

 

 

6. 모델 이용(예측)

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

 

 

• model.predict() 함수를 사용하여 학습된 모델을 사용하여 독립 변수의 일부 데이터에 대한 예측을 수행합니다.
• 실제 종속 변수 값을 출력하여 예측 값과 비교합니다.