ecsimsw

Keras 활용 / BMI 계산 / 학습 후 저장, 오답 확인 1. bmi 계산식을 이용해서 20000개의 키/몸무게/상태 데이터를 csv 파일로 생성한다. 2. Keras 학습하여 bmi 계산식을 모르는 상황에서 학습만으로 얼마나 정확히 분류할 수 있는가 평가한다. 3. 학습된 결과를 확인하고, 예측에 실패한 데이터를 확인한다. 4. model은 JSON, weight는 h5으로 각각 저장하고 불러와 해당 모델을 사용해본다. 5. svm과 학습 결과를 비교한다. 설명 참고 : https://ecsimsw.tistory.com/entry/Keras 코드 내용 1. Create BMI data import random dataSrc = "./data_bmi/" ## CreateBMI data Set def..

Keras : 딥러닝을 쉽게 하도록 만들어진 인공 신경망 라이브러리. - 예시는 https://ecsimsw.tistory.com/entry/Keras-%ED%99%9C%EC%9A%A9의 BMI 계산 학습의 내용이다. 모델 구성 / model.compile() model = Sequential() model.add(Dense(512, input_shape=(2,))) model.add(Activation('relu')) model.add(Dropout(0.1)) model.add(Dense(512)) model.add(Activation('relu')) model.add(Dropout(0.1)) model.add(Dense(3)) model.add(Activation('softmax')) model.co..

딥러닝, 파이썬, Keras 공부에 참고한 자료 정리 - 텐서플로우 블로그 / Do it! 딥러닝 입문 저자 블로그 (https://tensorflow.blog/) : 개념서 / "케라스 딥러닝" - 파이썬으로 배우는 알고리즘 트레이닝 ( https://wikidocs.net/book/110 ) : 언어 자체 / API 사용 / 시각화 등 - 딥러닝을 이용한 자연어 처리 입문 ( https://wikidocs.net/book/2155 ) : 딥러닝, 머신러닝 모델 / Numpy, Pandas 등 - 김태영님 블록과 함께하는 딥러닝 케라스 ( https://tykimos.github.io/2017/01/27/MLP_Layer_Talk/) - Keras tensorflow Docs ( https://www...

Anaconda 처음에는 그냥 pip install tensorflow로 아나콘다 없이 직접 설치하려 했으나 에러가 여러번 났다. Could not find a version that satisfies the requirement tensorflow (from versions: ) No matching distribution found for tensorflow ** 텐서플로우를 설치하기 전에, 운영체제 bit와 파이썬 버전이 맞는지, 64비트 운영체제에 32비트 파이썬을 설치하지는 않았는지. 또는 텐서플로우의 버전이 cpu의 AVX 지원을 필요로 하는지를 꼭 확인해야한다. 여러번 엎고 재설치를 반복하다가, 파이썬까지 다 삭제하고 자주 사용되는 파이썬 패키지를 포함한 배포판인 아나콘다를 새로 설치하고, ..

Cross validation https://ecsimsw.tistory.com/entry/Cross-validation Cross validation Cross validation - 교차 검증. 머신러닝 모델의 타당성을 검증한다. - 학습용 데이터는 복잡하나, 테스트용 데이터는 간단한 경우, 그 모델의 스코어는 사실보다 높게 평가되고, 반대 상황의 경우 사실보다 낮게.. ecsimsw.tistory.com Iris classification / 붓꽃 분류기 / cross validation : Iris는 꽃받침 길이, 꽃받침 폭, 꽃잎의 길이, 꽃입의 너비에 따라 3가지 종류로 구분할 수 있다. 150개의 Iris 데이터를 받아 이를 학습하고, 그 학습 결과를 검증한다. - https://archiv..

Cross validation - 교차 검증. 머신러닝 모델의 타당성을 검증한다. - 학습용 데이터는 복잡하나, 테스트용 데이터는 간단한 경우, 그 모델의 스코어는 사실보다 높게 평가되고, 반대 상황의 경우 사실보다 낮게 평가되는 문제가 발생한다. 이런 경우를 피하기 위해, 데이터를 k개로 분할하여 각각의 분류 정밀도를 구하고 이를 평균하는 것으로 모델을 평가할 수 있다. - 예를들어 k=3일 경우, 전체 data set을 3등분하여 setA, setB, setC로 나누고, score1 = predict(testSet : setA, trainSet : setB, setC) score2 = predict(testSet : setB, trainSet : setC, setA) score3 = predict(t..

SVM from sklearn import svm, metrics clf = svm.SVC() clf.fit(valData,labelData) pre = clf.predict(valTEST) actualScore = metrics.accuracy_score(LabelTEST,pre) Random Forest from sklearn.ensemble import RandomForestClassifier clf = RandomForestClassifier() clf.fit(valData,labelData) pre = clf.predict(valTEST) actualScore = metrics.accuracy_score(LabelTEST,pre) Example :: 언어 구분 학습 https://ecsimsw...

Scikit-learn library - svm의 SVC 알고리즘으로 학습시키고, 테스트 데이터를 입력하여 정확도 확인 - ex1) XOR 규칙을 알려주지 않은 상황에서 데이터 변수와 정답 레이블을 입력하는 것으로 XOR을 학습한 것이다. find rule of result (xor) from sklearn import svm data=[ [0,0,0], [0,1,1], [1,0,1], [1,1,0] ] learning_data = [] learning_result = [] for row in data: x=row[0] y=row[1] r=row[2] learning_data.append([x,y]) learning_result.append(r) clf = svm.SVC() clf.fit(learning..