(Tensorflow 2.x) Logistic Regression 1탄

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69

import numpy as np import tensorflow as tf import matplotlib.pyplot as plt   from tensorflow.keras.datasets import boston_housing from tensorflow.keras.models import Sequential from tensorflow.keras.layers import Flatten, Dense from tensorflow.keras.optimizers import SGD,  Adam   print(tf.__version__)     # 데이터셋 생성 # 출처 : https://www.kaggle.com/uciml/pima-indians-diabetes-database/ # 특성별 스케일에 차이가 있으므로 전처리(정규화)를 해주면 좋다.   load_data = np.loadtxt('E:/dataset/diabetes.csv', delimiter=',')   x_train = load_data[:, 0:-1] y_train = load_data[:, [-1]]   print(x_train.shape, y_train.shape)   mean = x_train.mean(axis=0)  # 각 특성에 대해 평균을 빼고, 표준편차로 나눈다. x_train -= mean std = x_train.std(axis=0) x_train /= std         # 모델 구축 model = Sequential() model.add(Dense(y_train.shape[1], activation='sigmoid', input_shape=(x_train.shape[1],)))   # 모델 컴파일 (모델을 로드하는 부분에서 수행함) model.compile(optimizer=SGD(learning_rate=1e-2), loss='binary_crossentropy', metrics=['accuracy']) model.summary()   # 모델 학습 # validation_split=0.2 => train_dataset에서 20% 비율로 validation_dataset 생성 hist = model.fit(x_train, y_train, epochs=300, validation_split=0.2, verbose=1)     # 모델 평가 및 예측 model.evaluate(x_train, y_train)     # 모델 저장 및 로드 # model.save("model_name.h5") # model = tf.keras.models.load_model("model_name.h5")     # 모델 손실함수 추이확인 plt.title('loss') plt.xlabel('epoch') plt.ylabel('loss') plt.grid()   plt.plot(hist.history['loss'], label='train_loss') plt.plot(hist.history['val_loss'], label='validation_loss') # plt.plot(hist.history['accuracy'], label='train_accuracy') # plt.plot(hist.history['val_accuracy'], label='validation_accuracy')   plt.legend(loc='best')   plt.show()     Colored by Color Scripter

cs

 

데이터셋을 다운받으면, 첫 번째 행을 삭제해줘야 한다. (열 이름)