keras basics1

앞장에서 케라스를 그대로 무작정 따라 했지만 실제값과 예측값의 차이가 너무 크게 나왔다.

무작정 따라한 것 - keras basics :tutorial04.html

이번장에서 실제값과 예측값의 차이를 줄여본다.

앞장에서는 모델 예측까지 6단계 였지만 4단계로 줄였다.

1. 데이터 전처리
2. 모델 구성
3. 모델 훈련
4. 모델 평가 예측

1. 데이터 전처리

models, layers 라이브러리에서 Sequential, Dense 오브젝트를 임포트 한다.
numpy도 임포트 한다.

numpy로 x, y에 데이터를 입력한다.

2. 모델 구성

model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(10))
model.add(Dense(8))
model.add(Dense(1))

Dense 레이어를 4개 만들었다.
Dense 레이어 갯수와 출력 노드의 갯수에 따라 예측 값이 달라지는것을 확인 할수 있다.

예) Dense레이어 삭제
Dense레이어의 출력 노드 갯수 변경 해보기

3. 모델 훈련

model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])
model.fit(x, y, epochs=100, verbose=0)

앞장 설명을 참고 한다.

4. 모델 평가 예측

loss, mse = model.evaluate(x, y, batch_size=1)
print('acc : ', mse)

predict = model.predict(x)
print('y', y, ' predict: \n', predict)

결과)

5/5
[==============================] - 0s 3ms/step - loss: 0.0115 -
accuracy: 0.2000
acc : 0.20000000298023224
1/1 [==============================] - 0s 79ms/step
y [1 2 3 4 5] predict:
[[1.180387 ]
[2.10944 ]
[3.0384932]
[3.9675462]
[4.8965983]]

값의 근사치는 올라갔지만 정확도는 0.2이다.

RMSE와 R2도 같이 구해 보자.

# 1. 데이터 전처리
from keras.models import Sequential
from keras.layers import Dense
import numpy as np

x = np.array([1,2,3,4,5])
y = np.array([1,2,3,4,5])

# 2. 모델 구성
model = Sequential()
model.add(Dense(10, input_dim=1, activation='relu'))
model.add(Dense(10))
model.add(Dense(8))
model.add(Dense(1))

# 3. 모델 훈련
model.compile(optimizer='adam', loss='mse', metrics=['accuracy'])
model.fit(x, y, epochs=100, verbose=0)

# 4. 모델 평가 예측
loss, mse = model.evaluate(x, y, batch_size=1)
print('acc : ', mse)

predict = model.predict(x)
print('y', y, ' predict: \n', predict)

# RMSE 구하기
from sklearn.metrics import mean_squared_error
def RMSE(y_test, y_predict):
return np.sqrt(mean_squared_error(y_test, y_predict))
print('RMSE : ', RMSE(y, predict))

# R2 구하기
from sklearn.metrics import r2_score
r2_predict = r2_score(y, predict)
print('R2 : ', r2_predict)

결과)

5/5 [==============================] - 0s 3ms/step - loss: 0.0115 - accuracy: 0.2000
acc : 0.20000000298023224
1/1 [==============================] - 0s 79ms/step
y [1 2 3 4 5] predict:
[[1.180387 ]
[2.10944 ]
[3.0384932]
[3.9675462]
[4.8965983]]
RMSE : 0.10746486314762292
R2 : 0.9942256515943313

R2 값은 괜찮은데, accuracy 값은 여전히 별로다.

참고)
여기서 소스를 가져 왔다.
https://ebbnflow.tistory.com/125