목록Python (138)
군침이 싹 도는 코딩
model.fit(X_train, y_train, epochs = 200, validation_split= 0.2 ) >>> Epoch 1/200 8/8 [==============================] - 1s 49ms/step - loss: 604.2968 - mse: 604.2968 - mae: 23.2967 - val_loss: 551.5095 - val_mse: 551.5095 - val_mae: 22.0260 Epoch 2/200 8/8 [==============================] - 0s 9ms/step - loss: 584.9658 - mse: 584.9658 - mae: 22.8479 - val_loss: 530.0828 - val_mse: 530.0828 - va..
def build_model(): model = Sequential() model.add( Dense(64 , 'relu', input_shape= (9,) ) ) model.add( Dense(64, 'relu') ) model.add( Dense(1, 'linear')) model.compile(optimizer= tf.keras.optimizers.Adam(learning_rate=0.001), loss= 'mse', metrics=['mse', 'mae']) return model # 모델링을 함수로 만들때에 러닝 레이트를 지정해줄수 있다 러닝 레이트란 그레디언트 디센트하는 보폭을 의미한다 이것을 조절해줄수 있는 코드는 컴파일 할때 옵티마이저 파라미터에 넣는것이다 해당 코드의 6번째줄에 위치해 있..
fit 함수의 결과를 차트로 보여주는 법 (history)
epoch_history.history['loss'] >>> [0.8236269950866699, 0.7684839963912964, 0.7192712426185608, 0.6701746582984924, 0.6305500268936157, 0.5889050960540771, 0.5529721975326538, 0.5192636847496033, 0.48807293176651, 0.4604414105415344, 0.4341885447502136, 0.40978091955184937, 0.38573724031448364, 0.3628573715686798, 0.3414328396320343, 0.32183822989463806, 0.3023895025253296, 0.2817767560482025, 0...
번외) 새로운 데이터를 통해 가격 예측
전 글에서 만들어두었던 리그레션으로 새로운 데이터를 받아 예측해본다 리그레션을 모델링 한 것은 이 글을 참고 : https://mugoori.tistory.com/126 텐서 플로우 리그레션 문제 모델링 하는 방법 # 자동차 구매 고객 데이터를 통해서 자동차 구매금액을 예측하는 리그레션 문제를 모델링해보자 df.isna().sum() >>> Customer Name 0 Customer e-mail 0 Country 0 Gender 0 Age 0 Annual Salary 0 Credit Card Debt 0 Net Worth 0 mugoori.tistory.com # 위 조건으로 새로운 데이터를 만들어 리그레션을 돌려보자 df.head(2) # 먼저 컬럼의 순서를 확인하기위해 df를 찍어본다 new_dat..
텐서플로우 리그레션 문제 모델링 하는 방법
# 자동차 구매 고객 데이터를 통해서 자동차 구매금액을 예측하는 리그레션 문제를 모델링해보자 df.isna().sum() >>> Customer Name 0 Customer e-mail 0 Country 0 Gender 0 Age 0 Annual Salary 0 Credit Card Debt 0 Net Worth 0 Car Purchase Amount 0 dtype: int64 # 비어있는 데이터를 확인해준다 X = df.loc[:,'Gender':'Net Worth'] y = df['Car Purchase Amount'] # X,y 를 나눠준다 from sklearn.preprocessing import MinMaxScaler scaler_X = MinMaxScaler() X = scaler_X.fit..
텐서플로우를 이용한 그리드 서치 방법
그리드 서치의 정의는 이 글을 참고 : https://mugoori.tistory.com/59 Grid Search 인공지능을 만들때 여러개를 한번에 만들고 싶다면 GridSearchCV를 사용하면 된다 우선은 파라미터로 사용할것을 딕셔너리로 만들어준다 param_grid= {'kernel':['linear','rbf','poly'],'C':[0.1,1,10], 'gamma':[0.01,0 mugoori.tistory.com from keras.wrappers.scikit_learn import KerasClassifier from sklearn.model_selection import GridSearchCV from keras.models import Sequential from keras.layers..
텐서플로우로 분류의 문제 모델링 하는 방법
df = pd.read_csv('Churn_Modelling.csv') # 먼저 데이터 프레임을 불러온다 df.isna().sum() >>> RowNumber 0 CustomerId 0 Surname 0 CreditScore 0 Geography 0 Gender 0 Age 0 Tenure 0 Balance 0 NumOfProducts 0 HasCrCard 0 IsActiveMember 0 EstimatedSalary 0 Exited 0 dtype: int64 # nan 이 있는지 확인한다 X = df.loc[:,'CreditScore':'EstimatedSalary'] y = df['Exited'] # X,y로 분리한다 from sklearn.preprocessing import LabelEncoder,..
X >>> array([[1.0, 0.0, 0.0, ..., 1, 1, 101348.88], [0.0, 0.0, 1.0, ..., 0, 1, 112542.58], [1.0, 0.0, 0.0, ..., 1, 0, 113931.57], ..., [1.0, 0.0, 0.0, ..., 0, 1, 42085.58], [0.0, 1.0, 0.0, ..., 1, 0, 92888.52], [1.0, 0.0, 0.0, ..., 1, 0, 38190.78]], dtype=object) X[:,1:] >>> array([[0.0, 0.0, 619, ..., 1, 1, 101348.88], [0.0, 1.0, 608, ..., 0, 1, 112542.58], [0.0, 0.0, 502, ..., 1, 0, 113931.57]..