피마 인디언 데이터 분석 - TensorFlow로 모델 학습 / 모두의 딥러닝

목표

피그마 인디언 당뇨병 여부 예측하는 모델 생성하기

 

불러오기

import os
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.callbacks import ModelCheckpoint
from tensorflow.keras.callbacks import EarlyStopping

import numpy as np
import tensorflow as tf
import pandas as pd

from sklearn.preprocessing import StandardScaler

import matplotlib.pyplot as plt

 

 

시드설정

tf.random.set_seed(1)

 

데이터셋 불러오기

df = pd.read_csv('pima-indians-diabetes3.csv')
y = df['diabetes']
x = df.drop(columns = ['diabetes'])

 

표준화

scaler = StandardScaler()
x_prcd = scaler.fit_transform(x) #표준화된 X

 

 

모델생성

### 모델 생성
input_dim = len(x.columns.tolist())

model = Sequential()
model.add(Dense(50, input_dim= input_dim, activation='relu')) # 500개의 노드 생성, input feature가 8개, 활성화 함수는 relu로 사용
model.add(Dense(10, activation= 'relu'))
model.add(Dense(1, activation= 'sigmoid'))

 

 

하이퍼 패러미터 설정 / 컴파일

### 모델 컴파일 및 요약정보 확인
params = {'optimizer':'adam', 'lr': 0.1,'loss': 'binary_crossentropy', 'metrics':['accuracy'], 'epoch': 100, 'batch_size':10, 'validation_split': 0.3}
model.compile(loss=params['loss'], optimizer=params['optimizer'], metrics=params['metrics'])
model.summary()

 

모델 저장 위치 및 이름 설정

MODEL_DIR = './models/'
if not os.path.exists(MODEL_DIR):
	os.mkdir(MODEL_DIR)
model_name = MODEL_DIR+'{epoch:02d}-{val_loss:.4f}.hdf5'

 

모델 콜백 셋업

# 체크포인터
check_pointer = ModelCheckpoint(filepath=model_name, monitor='val_loss', verbose=1, save_best_only=True)

# 얼리스타핑
early_stopping = EarlyStopping(monitor='val_loss', min_delta = 0.01, patience=50, verbose=1)

 

 

학습

result = model.fit(x_prcd, y, epochs=params['epoch'], batch_size=params['batch_size'], validation_split=params['validation_split'], callbacks=[check_pointer, early_stopping])

 

 

학습결과 시각화

    # LOG
    acc = result.history['accuracy']
    loss = result.history['loss']
    val_loss = result.history['val_loss']
    val_acc = result.history['val_accuracy']

    ### 시각화
    e = np.arange(len(val_acc))
    plt.plot(e, acc, label = 'accuracy')
    plt.plot(e, loss, label = 'loss')

    plt.plot(e, val_acc, label = 'val_accuracy')
    plt.plot(e, val_loss, label = 'val_loss')

    plt.legend()
    plt.show()