인공 신경망(ANN)을 사용한 분류 모델

기계 학습 용어에서 분류는 입력 데이터가 미리 정의된 레이블이 지정된 클래스 중 하나로 분류되는 예측 모델링 문제를 나타냅니다. 예를 들어 예 또는 아니오, 참 또는 거짓을 예측하는 것은 출력 수가 두 개의 레이블로 제한되기 때문에 이진 분류 범주에 속합니다.

유사하게, 다른 연령 그룹을 분류하는 것과 같이 여러 클래스를 갖는 출력을 다중 클래스 분류 문제라고 합니다. 분류 문제는 다양한 사용 사례에서 사용할 수 있는 가장 일반적으로 사용되거나 정의된 유형의 ML 문제 중 하나입니다. 분류 문제에 사용할 수 있는 다양한 기계 학습 모델이 있습니다.

배깅(Bagging)에서 부스팅(Boosting) 기술에 이르기까지 ML은 분류 사용 사례를 처리할 수 있는 것 이상이지만 신경망은 모델 성능을 지원하기 위해 많은 양의 출력 클래스와 많은 데이터가 있을 때 그림으로 나타납니다. 앞으로 Keras(Python)에서 신경망을 사용하여 분류 모델을 구현하는 방법을 살펴보겠습니다.

세계 최고의 대학에서 인공 지능 과정 을 배우십시오 . 석사, 이그 제 큐 티브 PGP 또는 고급 인증 프로그램을 획득하여 경력을 빠르게 추적하십시오.

신경망

신경망은 느슨하게 인간 두뇌 학습을 나타냅니다. 인공 신경망은 레이어 생성을 담당하는 뉴런으로 구성됩니다. 이러한 뉴런은 조정된 매개변수라고도 합니다.

각 레이어의 출력은 다음 레이어로 전달됩니다. 각 계층마다 다른 비선형 활성화 함수가 있어 학습 과정과 각 계층의 출력에 도움이 됩니다. 출력층은 말단 뉴런이라고도 합니다.

출처: 위키피디아

뉴런과 연관되고 전체 예측을 담당하는 가중치는 각 에포크에서 업데이트됩니다. 학습률은 다양한 옵티마이저를 사용하여 최적화됩니다. 각 신경망에는 학습이 계속됨에 따라 최소화되는 비용 함수가 제공됩니다. 그런 다음 비용 함수가 최상의 결과를 제공하는 최상의 가중치가 사용됩니다.

읽기: 초보자를 위한 TensorFlow 객체 감지 튜토리얼

분류 문제

이 기사에서는 Keras를 사용하여 신경망을 구축합니다. Keras는 다음 명령을 사용하여 Python에서 직접 가져올 수 있습니다.

텐서플로를 tf로 가져오기

tensorflow import keras에서

keras.models에서 가져오기 순차

keras.layers에서 Dense 가져오기

데이터세트 및 대상 변수

다음과 같은 기능이 있는 당뇨병 데이터 세트를 사용할 것입니다.

입력 변수(X):

• 임신: 임신 횟수
• 포도당: 경구 포도당 내성 검사에서 2시간 동안의 혈장 포도당 농도
• 혈압: 이완기 혈압(mmHg)
• SkinThickness: 삼두근 피부 주름 두께(mm)
• 인슐린: 2시간 혈청 인슐린(mu U/ml)
• BMI: 체질량 지수(체중(kg)/(높이(m)^2)
• DiabetesPedigreeFunction: 당뇨병 가계도 기능
• 나이: 나이(년)

출력 변수(y):

결과: 클래스 변수(0 또는 1) [환자가 당뇨병을 앓고 있는지 여부]

# 데이터세트 로드

df= loadtxt('pima-indians-diabetes.csv', 구분 기호=',')

# 데이터를 X(입력)와 Y(출력)로 분할

X = 데이터세트[:,0:8]

y = 데이터 세트[:,8]

케라스 모델 정의

순차 모델을 사용하여 신경망 구축을 시작할 수 있습니다. 이 하향식 접근 방식은 신경망 아키텍처를 구축하고 모양과 레이어를 사용하는 데 도움이 됩니다. 첫 번째 레이어에는 input_dim을 사용하여 수정할 수 있는 많은 기능이 있습니다. 이 조건에서 8로 설정하겠습니다.

신경망을 만드는 것은 그리 쉬운 과정이 아닙니다. 좋은 모델이 만들어지기까지 많은 시행착오가 있습니다. keras의 Dense 클래스를 사용하여 완전히 연결된 네트워크 구조를 구축합니다. 뉴런은 조밀한 계층에 제공되는 첫 번째 인수로 간주됩니다.

활성화 함수는 활성화 인수를 사용하여 설정할 수 있습니다. 이 경우 활성화 함수로 Rectified Linear Unit을 사용합니다. Sigmoid 또는 TanH와 같은 다른 옵션이 있지만 RELU가 매우 일반화되고 더 나은 옵션입니다.

# 케라스 모델 정의

모델 = 순차()

model.add(Dense(12, input_dim=8, 활성화='relu'))

model.add(Dense(8, 활성화='relu'))

model.add(Dense(1, 활성화='sigmoid'))

Keras 모델 컴파일

모델 컴파일은 모델 정의 다음 단계입니다. Tensorflow는 모델 컴파일에 사용됩니다. 컴파일은 모델 훈련 및 예측을 위해 매개변수를 설정하는 프로세스입니다. CPU/GPU 또는 분산 메모리를 백그라운드에서 사용할 수 있습니다.

다른 레이어에 대한 가중치를 평가하는 데 사용되는 손실 함수를 지정해야 합니다. 옵티마이저는 학습률을 조정하고 다양한 가중치 세트를 거칩니다. 이 경우 손실 함수로 Binary Cross Entropy를 사용합니다. 옵티마이저의 경우 효율적인 확률적 기울기 하강 알고리즘인 ADAM을 사용합니다.

튜닝에 많이 사용됩니다. 마지막으로 분류 문제이기 때문에 메트릭 인수를 통해 정의된 분류 정확도를 수집하고 보고합니다. 이 경우 정확도를 사용합니다.

# 케라스 모델 컴파일

model.compile(loss='binary_crossentropy', 옵티마이저='adam', 메트릭스=['accuracy'])

모델 적합 및 평가

모델을 맞추는 것은 기본적으로 모델 훈련으로 알려져 있습니다. 모델을 컴파일한 후 모델은 데이터를 효율적으로 살펴보고 스스로 학습할 준비가 되었습니다. Keras의 fit() 함수는 모델 학습 과정에 사용할 수 있습니다. 모델 훈련 전에 사용되는 두 가지 주요 매개변수는 다음과 같습니다.

1. Epoch: 전체 데이터 세트를 한 번 통과합니다.
2. 배치 크기: 각 배치 크기에서 가중치가 업데이트됩니다. Epoch는 균등하게 분산된 데이터 배치로 구성됩니다.

# 데이터셋에 keras 모델을 맞춥니다.

model.fit(X, y, epochs=150, batch_size=10)

이 과정에서 GPU 또는 CPU가 사용됩니다. 훈련은 에포크, 배치 크기 및 가장 중요한 데이터 크기에 따라 매우 긴 프로세스가 될 수 있습니다.

또한 평가() 함수를 사용하여 훈련 데이터 세트에서 모델을 평가할 수 있습니다. 데이터는 훈련 및 테스트 세트로 나눌 수 있으며 테스트 X 및 Y는 모델 평가에 사용할 수 있습니다.

각 입력 및 출력 쌍에 대해 예측을 생성하고 평균 손실 및 정밀도와 같이 설치한 모든 측정값을 포함하여 점수를 수집합니다.

두 값의 목록은 평가() 함수에 의해 반환됩니다. 첫 번째는 데이터 세트의 모델 손실이고 두 번째는 데이터 세트의 모델 정확도입니다. 보고의 정확성에만 관심이 있으므로 손실의 중요성은 무시합니다.

# 케라스 모델 평가

_, 정확도 = model.evaluate(Xtest, ytest)

print('정확도: %.2f' % (정확도*100))

더 읽어보기: 신경망 모델 소개

결론

분류 기반 신경망을 만들고 평가했습니다. 이 경우 사용된 데이터는 작았지만 신경망은 대부분 큰 수치 데이터 세트에 적합합니다.

기계 학습 및 NLP에서 upGrad의 고급 인증 프로그램을 확인하십시오. 이 과정은 기계 학습에 관심이 있는 다양한 유형의 학생들을 염두에 두고 제작되었으며 1-1 멘토링 등을 제공합니다.