TensorFlow 기초 19 - classification

 

 

classification : 주어진 feature에 대해 label로 학습시켜 데이터를 분류하는 방법

 

# classification : 주어진 feature에 대해 label로 학습시켜 데이터를 분류하는 방법
# hΘ(x) = P(y=1|x;Θ)  x = feature, Θ = model parameter
# hypothesis function의 출력값은 "주어진 featue x라는 값을 가질 때 class 1에 들어갈 확률"이라는 의미
# P(y = 0 | x;Θ) + P(y = 1 | x;Θ) = 1
# 로지스틱 회귀 분석 실습 소스) 2.x
import numpy as np
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense, Activation

np.random.seed(0)
x = np.array([[1,2],[2,3],[3,4],[4,3],[3,2],[2,1]])
y = np.array([[0],[0],[0],[1],[1],[1]])

print('Sequential api 사용')
# model = Sequential([
#     Dense(units = 1, input_dim=2),  # input_shape=(2,)
#     Activation('sigmoid')
# ])
model = Sequential()
model.add(Dense(units=1, input_dim=2, activation='sigmoid'))

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model.fit(x, y, epochs=100, batch_size=1, verbose=1)
meval = model.evaluate(x, y)
print(meval) # [0.209698(loss),  1.0(정확도)]

# 새로운 값으로 예측
pred = model.predict(np.array([[1,2],[10,5]]))
print('예측 결과 : ', pred)     # [[0.16490099] [0.9996613 ]]
print('예측 결과 : ', np.squeeze(np.where(pred > 0.5, 1, 0)))  # [0 1]

for i in pred:
    print(1) if i > 0.5 else print(0) # 0.5를 기준으로 0과 1로 나누었다.
    
print([1 if i > 0.5 else 0 for i in pred]) # 0.5를 기준으로 0과 1로 나누었다.

print('Functional api 사용')
from keras.models import Model
from keras.layers import Input

inputs = Input(shape=(2,))
outputs = Dense(1, activation='sigmoid')(inputs)
model2 = Model(inputs, outputs)

model2.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])
model2.fit(x, y, epochs=100, batch_size=1, verbose=1)
meval = model2.evaluate(x, y)
print(meval)

# 새로운 값으로 예측
pred2 = model2.predict(np.array([[1,2],[10,5]]))
print('예측 결과 : ', pred)     # [[0.16490099] [0.9996613 ]]
print('예측 결과 : ', np.squeeze(np.where(pred2 > 0.5, 1, 0)))  # [0 1]


<console>
Sequential api 사용
예측 결과 :  [[0.7776713]
 [0.9986928]]
예측 결과 :  [1 1]
1
1
[1, 1]

Functional api 사용
예측 결과 :  [[0.7776713]
 [0.9986928]]
예측 결과 :  [0 1]

이항분류의 경우에는 loss='binary_crossentropy', metrics=['accuracy']를 주고, activation='sigmoid' 를 준다. 다항분류의 경우에는 softmax를 준다.