[딥러닝DL] DNN 회귀데이터 사용

데이터 가져오기 🐥

 

"""라이브러리 정의"""
import pandas as pd

"""
- 데이터프레임 변수 : data
- 데이터 읽어들이기
"""
data = pd.read_csv("./data/01_회귀_OOOO예측_데이터셋_Row_1000.csv")
data.head(1)

data.info()
data.describe()

"""독립변수(X)와 종속변수(y)로 분리하기"""
X = data.iloc[:, :-1]
y = data["OOOO"]

print(X, y)
X.shape, y.shape

"""
정규화 하기
- X_scaled 변수명 사용
"""
from sklearn.preprocessing import StandardScaler

scaler = StandardScaler()
scaler.fit(X)
X_scaled = scaler.transform(X)
print(X_scaled.shape)
X_scaled

"""
훈련 : 테스트 데이터로 분류하기(8:2)
- 사용변수 : X_train, X_test, y_train, y_test
"""
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X_scaled, y,
                                                   test_size=0.2,
                                                   random_state=42)
print(f"{X_train.shape}, {y_train.shape}")
print(f"{X_test.shape}, {y_test.shape}")

### X_train의 열의 갯수 : 4
X_train.shape[1]

 

 

 

심층신경망(DNN)🐥

 

< 모델 및 계층 생성하기 >

 - 모델 변수명 : model
 - 계층 구조 : 입력계층 → 출력크기 64, 활성화함수 relu, 입력개수 4
                    : 은닉계층 →  출력크기 32, 활성화함수 relu
                    : 출력계층 →  출력크기 1, 활성화함수 linear

 - 계층 구조 확인하기

 

 

 
"""모델 및 계층 생성하기"""
import tensorflow as tf
from tensorflow import keras

"""실행 결과를 동일하게 하기 위한 처리(완전 동일하지 않을 수도 있음)"""
tf.keras.utils.set_random_seed(42)
"""연산 고정"""
tf.config.experimental.enable_op_determinism()

model = keras.Sequential()

model.add(
    keras.layers.Dense(64, activation="relu", input_shape=(X_train.shape[1], ), name="input_layer")
)
model.add(
    keras.layers.Dense(32, activation="relu", name="hidden_layer")
)

"""회귀의 경우에는 출력계층에 사용하는 활성화함수는 linear를 적용"""
model.add(
    keras.layers.Dense(1, activation="linear", name="output_layer")
)

model.summary()

 

* 회귀의 경우에는 출력계층에 사용하는 활성화함수는 linear를 적용
* 적용방법

   - activation을 사용하지 않으면 디폴트값으로 linear이 적용됨
   - activation = None 적용해도됨
   - activation = 'linear' 적용(보통 정의해 줍니다.)

 

 

회귀 모델 🐥

 

""" 모델 설정하기
- 옵티마이저 adam 적용
- 손실함수(loss) : mse(mean_squared_error)사용
"""

model.compile(optimizer="adam", loss="mean_squared_error")

""" 훈련시키기
 - 반복횟수 100회 → 500회
 - 훈련 및 검증 동시에
"""
history=model.fit(X_train, y_train, epochs=500, verbose=1, validation_data=(X_test, y_test))

 

 

훈련 및 검증에 대한 시각화하기 🐥

 

import matplotlib.pyplot as plt

""" 훈련과 검증에 대한 곡선"""

plt.title("Epoch - Train & Test LOSS(Adam-linear)")
plt.plot(history.epoch, history.history["loss"])
plt.plot(history.epoch, history.history["val_loss"])
plt.xlabel("epoch")
plt.ylabel("loss")
plt.grid()
plt.legend(["Train", "Test"])

"""이미지로 저장 시키기"""
plt.savefig(f"./saveFig/Epoch-Train_Test_loss(Adam-linear).png")
plt.show()

 

100번

 

↓

 

500번

 

 

 

모델 예측 및 성능평가하기 -  MSE, R2-score 🐥

 

"""모델 예측하기"""
y_pred = model.predict(X_test)
y_pred

"""
 성능평가하기
 - MSE(오차)와 R2-score(설득력) 평가하기
"""
from sklearn.metrics import mean_squared_error
from sklearn.metrics import r2_score

mse = mean_squared_error(y_test, y_pred)
r2 = r2_score(y_test, y_pred)

print(f"MSE : {mse} / R2-score : {r2}")

 

MSE : 307845.0464585237 / R2-score : 0.9973264818392876

 

 

X_test 0번째에 독립변수를 이용하여 종속변수 예측해 보기 🐥

 

 * X_test[0]을 2차원으로 변환

 - reshape() : 차원 변환 
 -  -1은 해당 차원의 크기를 자동으로 계산
 - (1, -1) : 1차원을 자동으로 맞는차원으로 바꿔줌

 

X_test[0], y_test[:1]
X_test[:1], X_test[0].reshape(1, -1)

# 1번 방법(2차원으로 변환)
y_pred_0 = model.predict(X_test[:1])

# 2번 방법(2차원으로 변환)
# y_pred_0 = model.predict(X_test[0].reshape(1, -1))

y_pred_0, y_test[:1]

 

(array([[37346.76]], dtype=float32),
 521    37736.352245
 Name: 주택_가격, dtype: float64)