Deep Learning 실습 - 유방암 데이터

(2020.08.02)

 

유방암데이터를 가지고 간단한 딥러닝을 해보고자 한다.

​

먼저 관련 딥러닝을 수행하기 위해 필요한 라이브러리를 import한다.

from tensorflow.keras.models import Sequential
from tensorflow.keras.layer import Dense
import numpy as np
import tensorflow as tf

 

그 후 매번 할 때마다 값이 변하지 않도록 random seed값을 고정해준다.

np.random.seed(3)
tf.random.set_seed(3)

 

그 후 우리가 사용할 데이터를 Data_set에 불러와둔다.

Data_set = np.loadtxt("파일 위치 경로", delimiter=",")

 

예측할 값인 y와 특성들을 구분해준다.

X = Data_set[:,:17]
y = Data_set[:,17]

 

그 후 모델을 만들어주는데 이 때 Sequntial함수를 사용하게 된다.

Sequential 모델은 레이어를 선형으로 연결하여 구성한다.

또한 레이어 인스턴스를 생성자에게 넘겨줌으로써 sequence 모델을 구성할 수 있다.

model = Sequential()

그 후 add 메소드를 통해 쉽게 레이어를 추가할 수 있다.

케라스는 첫번째 레이어에 입력 모양을 지정해야하지만 다른 나머지 모든 레이어는 모양을 자동으로

추론하여 생성하여준다.

따라서 첫번째 레이어(input layer)에 입력 데이터(input_dim)의 크기를 명시해주어야 한다.

​

그리고 Dense함수를 살펴보면 다음과 같다.

▶ Dense 클래스를 이용하여 레이어의 노드를 만드는데 사용된다.

▶ Sequential 모델에 추가하면 다른 노드들과 연결된다.

▶ 입출력 레이어를 모두 연결해주는것이 Dense layer

→ model.add(Dense(2, input_dim = 2))

: 레이어 수를 2개로 두고 그 노드의 입력값을 2개로 사용하겠다.

→ model.add(Dense(5, input_dim = 2))

: 레이어 수를 5개로 두고 그 노드의 입력값을 3개로 사용하겠다.

→ model.add(dense(2))

: 레이어 수를 2개로 두는데, 입력값으로는 이전층의 결과들을 사용하겠다.

 

model.add(Dense(30, input_dim = 17, activation="relu"))

 

이제 새로운 퍼셉트론을 생성한다.

1개의 노드를 생성하고 시그모이드 활성화 함수를 사용한다.

model.add(Dense(1, activation="sigmoid"))

 

모델 구성후 compile()메서드를 사용하여 모델 학습과정을 결정한다.

모델을 설계하고 컴파일 하기 전에 모델을 생성하는 과정이다.

여기서 매개변수로 넘어가는 것은 다음과 같다.

→ loss : 최적화 과정에서 오차를 최적화 할 손실 함수를 설정하는것으로 MSE(평균제곱오차)

와 binary_crossentropy가 자주 사용된다.

→ optimizer : 훈련과정을 설정하는 것으로 adam, SGD등이 있다.

→ metrics : 훈련을 모니터링 하기위해 사용된다.

model.compile(loss = "mean_squared_error", optimizer="adam", metrics = ["accuracy"])

 

그리고 나서 모델을 학습시켜주는데 이때 매개변수는 다음과 같다.

→ epochs : 주어진 에펙 수만큼 모델을 학습시킴

→ batch_size : 한번에 사용해야하는 트레이닝 데이터의 크기를 지정

→ verbose : 학습진행 상황의 피드백 여부를 지정

( 0: slient, 1: progress bar, 2: one line per epochs )

model.fit(X, y, epochs = 100, batch_size=10, verbose=2)

 

마지막으로 예측한다.

model.predict(X)