개발환경&도구 : pycharm-community-2020.3 / Python3.8
데이터 : wine.csv
6497개의 데이터, 12개의 열을 사용
1. 라이브러리 설치
import pandas as pd
from keras.utils import np_utils
import numpy as np
import random as r
import matplotlib.pyplot as plt
from keras import layers, models
layers : 계층을 만드는 모듈
models : 각 layer을 연결해 신경망 모델을 만든 후 컴파일하고 학습시키는 역할, 학습 후 평가도 진행한다.
2. 파라미터 설정
#기본 파라미터 설정
Nin = 11 #입력 계층의 노드 수
Nh_l = [100, 50] #은닉 계층의 노드 수
number_of_class = 3 #3개의 클래스 : 상 중 하
Nout = number_of_class #출력 계층의 노드 수3. 분류 DNN 모델 구현
(1) 데이터 처리
각 값을 0~1사이로 변환
와인 수치 데이터 x_train 저장
(2) 종속변수 분류
3~9의 와인 등급을 0, 1, 2(상중하) 3가지로 분류
for row_index, row in wine.iterrows():
ran = r.randrange(1, 5, 1)
if ran != 1:
x_train.append([])
x_train[train_count].append(row[0]/15.9)
x_train[train_count].append(row[1]/1.58)
x_train[train_count].append(row[2])
x_train[train_count].append(row[3]/15.5)
x_train[train_count].append(row[4]/0.611)
x_train[train_count].append(row[5]/72.0)
x_train[train_count].append(row[6]/289.0)
x_train[train_count].append(row[7]/1.00369)
x_train[train_count].append(row[8]/4.01)
x_train[train_count].append(row[9]/2.0)
x_train[train_count].append(row[10]/14.9)
if row[11] == 3 or row[11] == 4 or row[11] == 5:
y_train.append(0)
elif row[11] == 6 or row[11] == 7:
y_train.append(1)
else:
y_train.append(2)
train_count+=1
else:
x_test.append([])
x_test[test_count].append(row[0]/15.9)
x_test[test_count].append(row[1]/1.58)
x_test[test_count].append(row[2])
x_test[test_count].append(row[3]/15.5)
x_test[test_count].append(row[4]/0.611)
x_test[test_count].append(row[5]/72.0)
x_test[test_count].append(row[6]/289.0)
x_test[test_count].append(row[7]/1.00369)
x_test[test_count].append(row[8]/4.01)
x_test[test_count].append(row[9]/2.0)
x_test[test_count].append(row[10]/14.9)
if row[11] == 3 or row[11] == 4 or row[11] == 5:
y_test.append(0)
elif row[11] == 6 or row[11] == 7:
y_test.append(1)
else:
y_test.append(2)
test_count += 1
(3) List 형태의 데이터를 numpy array로 변환
for i in range(0, train_count):
x_train2=np.append(x_train2, np.array([x_train[i]]), axis=0)
for i in range(0, test_count):
x_test2=np.append(x_test2, np.array([x_test[i]]), axis=0)
(4) 종속변수 categorical로 변환
출력값을 0과 1로 표현하는 벡터로 변환
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)4. 학습 및 성능 평가
x_train2, y_train : 학습에 사용할 입력(x), 출력(y)데이터
validation_split : 20%를 테스트에 씀
학습한 결과를 history에 저장
# 분류 DNN 학습 및 성능 평가
model = models.Sequential() #모델 초기화
# 연쇄방식 모델링 구현
model.add(layers.Dense(Nh_l[0], activation='relu', input_shape=(Nin,), name='Hidden-1'))
model.add(layers.Dense(Nh_l[1], activation='relu', name='Hidden-2'))
model.add(layers.Dense(Nout, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit(x_train2, y_train, epochs=100, batch_size=100, validation_split=0.2)
perfomace_test = model.evaluate(x_test2, y_test, batch_size=100)
print('Test loss and accuracy', perfomace_test)5. 학습 입력과 결과
#독립변수 입력
example = np.array([[wine_value1,wine_value2,wine_value3,wine_value4,wine_value5,wine_value6,wine_value7,wine_value8,wine_value9,wine_value10,wine_value11]])
#종속변수 예측
result = model.predict(example) #각 클래스에 대한 확률
print('<< 결과 >>')
if result[0][0] > result[0][1] or result[0][0] > result[0][2]:
print('<< 하(3, 4, 5) >>')
elif result[0][1] > result[0][0] or result[0][1] > result[0][2]:
print('<< 중(6, 7) >>')
else:
print('<< 상(8, 9) >>')
입력한 와인 정보에 대한 결과는 '하' 등급으로 나온다.
정확도 : 73% (반올림)
if __name__ == "__main__":
#입력한 와인 정보
Level(8.9,0.62,0.19,3.9,0.17,51,148,0.9986,3.17,0.93,9.2)
전체 코드
import pandas as pd
from keras.utils import np_utils
import numpy as np
import random as r
import matplotlib.pyplot as plt
from keras import layers, models
class Level():
def __init__(self, wine_value1,wine_value2,wine_value3,wine_value4,wine_value5,wine_value6,wine_value7,wine_value8,wine_value9,wine_value10,wine_value11):
# 기본 파라미터 설정
Nin = 11 #입력 계층의 노드 수
Nh_l = [100, 50] #은닉 계층의 노드 수
number_of_class = 3 #3개의 클래스 : 상 중 하
Nout = number_of_class #출력 계층의 노드 수
# 분류 DNN 모델 구현
wine=pd.read_csv("wine.csv",sep=",", header=0)
x_train2 = np.empty((0,11), float)
x_train=[]
y_train=[]
x_test2 = np.empty((0,11), float)
x_test=[]
y_test=[]
train_count=0
test_count=0
for row_index, row in wine.iterrows():
ran = r.randrange(1, 5, 1)
if ran != 1:
x_train.append([])
x_train[train_count].append(row[0]/15.9)
x_train[train_count].append(row[1]/1.58)
x_train[train_count].append(row[2])
x_train[train_count].append(row[3]/15.5)
x_train[train_count].append(row[4]/0.611)
x_train[train_count].append(row[5]/72.0)
x_train[train_count].append(row[6]/289.0)
x_train[train_count].append(row[7]/1.00369)
x_train[train_count].append(row[8]/4.01)
x_train[train_count].append(row[9]/2.0)
x_train[train_count].append(row[10]/14.9)
# 종속변수 분류
if row[11] == 3 or row[11] == 4 or row[11] == 5:
y_train.append(0)
elif row[11] == 6 or row[11] == 7:
y_train.append(1)
else:
y_train.append(2)
train_count+=1
else:
x_test.append([])
x_test[test_count].append(row[0]/15.9)
x_test[test_count].append(row[1]/1.58)
x_test[test_count].append(row[2])
x_test[test_count].append(row[3]/15.5)
x_test[test_count].append(row[4]/0.611)
x_test[test_count].append(row[5]/72.0)
x_test[test_count].append(row[6]/289.0)
x_test[test_count].append(row[7]/1.00369)
x_test[test_count].append(row[8]/4.01)
x_test[test_count].append(row[9]/2.0)
x_test[test_count].append(row[10]/14.9)
# 종속변수 분류
if row[11] == 3 or row[11] == 4 or row[11] == 5:
y_test.append(0)
elif row[11] == 6 or row[11] == 7:
y_test.append(1)
else:
y_test.append(2)
test_count += 1
print(len(x_train))
print(len(x_test))
for i in range(0, train_count):
x_train2=np.append(x_train2, np.array([x_train[i]]), axis=0)
for i in range(0, test_count):
x_test2=np.append(x_test2, np.array([x_test[i]]), axis=0)
y_train = np_utils.to_categorical(y_train)
y_test = np_utils.to_categorical(y_test)
# 분류 DNN 학습 및 성능 평가
model = models.Sequential() #모델 초기화
# 연쇄방식 모델링 구현
model.add(layers.Dense(Nh_l[0], activation='relu', input_shape=(Nin,), name='Hidden-1'))
model.add(layers.Dense(Nh_l[1], activation='relu', name='Hidden-2'))
model.add(layers.Dense(Nout, activation='softmax'))
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])
history = model.fit(x_train2, y_train, epochs=100, batch_size=100, validation_split=0.2) #validation_split : 20%를 테스트에 씀
perfomace_test = model.evaluate(x_test2, y_test, batch_size=100)
print('Test loss and accuracy', perfomace_test)
#그래프
fig, loss_ax = plt.subplots(figsize=(10,5))
acc_ax = loss_ax.twinx()
loss_ax.plot(history.history['loss'], 'y', label='train loss')
loss_ax.plot(history.history['val_loss'], 'r', label='val loss')
acc_ax.plot(history.history['accuracy'], 'b', label='train accuracy')
acc_ax.plot(history.history['val_accuracy'], 'g', label='val accuracy')
loss_ax.set_xlabel('epoch')
loss_ax.set_ylabel('loss')
acc_ax.set_ylabel('accuracy')
loss_ax.legend(loc='upper left')
acc_ax.legend(loc='lower left')
plt.show()
#독립변수 입력
example = np.array([[wine_value1,wine_value2,wine_value3,wine_value4,wine_value5,wine_value6,wine_value7,wine_value8,wine_value9,wine_value10,wine_value11]])
#종속변수 예측
result = model.predict(example) #각 클래스에 대한 확률
print('<< 결과 >>')
if result[0][0] > result[0][1] or result[0][0] > result[0][2]:
print('<< 하(3, 4, 5) >>')
elif result[0][1] > result[0][0] or result[0][1] > result[0][2]:
print('<< 중(6, 7) >>')
else:
print('<< 상(8, 9) >>')
if __name__ == "__main__":
#입력한 와인 정보
Level(8.9,0.62,0.19,3.9,0.17,51,148,0.9986,3.17,0.93,9.2)
'Keras Deep Learning' 카테고리의 다른 글
| 생성적 대립 신경망, GAN의 원리 (0) | 2020.10.30 |
|---|---|
| 시계열 데이터를 예측하는 LSTM 구현 (0) | 2020.08.27 |
| RNN(순환신경망) 문장을 판별하는 LSTM 케라스로 구현 실습 (0) | 2020.08.25 |
| 컬러 이미지를 분류하는 DNN 구현 실습 (0) | 2020.08.20 |
| 필기체를 분류하는 DNN 구현 실습 (0) | 2020.08.19 |
