데이터/딥러닝

레드 와인과 화이트 와인을 구분하는 모델 생성해보기1. 데이터의 확인과 검증셋샘플 6,497개, 피처 12개from tensorflow.keras.models import Sequentialfrom tensorflow.keras.layers import Densefrom sklearn.model_selection import train_test_splitimport pandas as pd# 깃허브에 준비된 데이터 호출!git clone https://github.com/taehojo/data.git# 와인 데이터를 호출df = pd.read_csv('./data/wine.csv', header=None)df 0~11번째 열에 해당하는 속성 12개를 X, 13번째 열을 y에 저장X = df.iloc[:,0..

초음파 광물 예측 실험을 텐서플로로 재현해보고 정확도를 평가하는 방법과 성능을 향상시키는 기법 수행 1. 데이터 확인과 예측 실행61개의 열과 일반 암석일 경우 0, 광석일 경우 1의 클래스 값을 가짐import pandas as pd# 깃허브에 준비된 데이터를 가져옵니다.!git clone https://github.com/taehojo/data.git# 광물 데이터를 불러옵니다.df = pd.read_csv('./data/sonar3.csv', header=None)# 첫 5줄을 봅니다. df.head() 광석 111개, 암석 97개로 총 208개의 샘플들로 구성1~60번째 열을 X 변수에 저장하고 광물의 종류는 y로 저장# 일반 암석(0)과 광석(1)이 몇 개 있는지 확인df[60].value_co..

10장 모델 설계10.1 모델의 정의 딥러닝의 모델을 설정하고 구동하는 부분은 모두 model이라는 함수를 선언하며 시작 model = Sequential() : 딥러닝의 구조를 짜고 층을 설정 model.compile() : 모델을 컴퓨터가 알아들을 수 있게끔 컴파일 model.fit() : 모델을 실제로 수행하는 부분 10.2 입력층, 은닉층, 출력층 model = Sequential()model.add(Dense(30, input_dim=10, activation='relu')) #은닉층model.add(Dense(1, activation='sigmoid')) #출력층model.add() 함수를 통해 새로운 층 형성맨 마지막 층은 '출력층', 나머지는 '은닉층'Dense() 함수의 첫 번째 인자는 ..

9장 오차 역전파에서 딥러닝으로 다층 퍼셉트론의 한계 : 은닉층에 포함된 가중치를 업데이트할 방법이 없다. → 오차 역전파 등장 9.1 딥러닝의 태동, 오차 역전파실제값과 오차를 확인하여 가중치를 업데이트하는 방법은 경사 하강법은닉층이 생김으로써 경사 하강법을 2번 이상 실행하게 되며 가중치를 두 번 이상 업데이트 해야 함한 번의 순전파가 일어나고 이때 각 가중치의 초깃값이 정해짐, 실제값과 출력층값의 오차를 계산 오차를 최소화시키기 위해 첫 번째 가중치 수정 두 번째 가중치 수정 각 가중치를 업데이트하기 위해서는 오차 공식을 구하고 각 가중치에 대해서 편미분 해줘야 함 은닉층의 실제값은 알 수 없기 때문에 w11과 같은 가중치를 통한 계산된 값인 yh1과의 오차를 구할 수 없음 w31의 가중치 값은 y..