lemonade회귀 , boston집값

#판다스 패키지 소환
import pandas as pd

#레몬에이드 csv자료 가져오기
lemonade = pd.read_csv('https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/lemonade.csv')


#독립변수 지정
independent = lemonade[['온도']]
#종속변수 지정
dependent  = lemonade[['판매량']]

#모델 만들기
import tensorflow as tf

#독립변수입력값을 위한 모델 독립변수의 세로컬럼이 한개여서 왜냐면 {lemonade.head(5)}으로 확인
x = tf.keras.layers.Input(shape=[1])
#종속변수의 컬럼의 갯수가 1개여서 dense(1)그리고 원인을 넣어야하니까 X
y = tf.keras.layers.Dense(1)(x)

#그렇게 만들어진 값으로 계산을 해야하니까 X,y를 모델(판단력)에 넣으면 완성
model = tf.keras.models.Model(x,y)
#loss = 'mse'  mean squared error 제곱평균이라는데 자세한 식은 검색 어차피 문과라 잘 몰라요. compile은 학습방법
model.compile(loss='mse')

model.fit(independent,dependent ,epochs=1000)
#독립 종속변수를 넣어주고 epochs 수만큼 학습 합니다 여기서 vervose는 학습과정을 보여줄지 말지를 결정하는 변수값.
model.fit(independent,dependent ,epochs=50 , verbose=0)


#마지막 나온 모델을 가지고 원인이 15도일때 판매량은 몇이 나오는 지 확인해봄
print("Predictions: " , model.predict([15]))

1. 라이브러리 사용
   • pandas와 tensorflow keras사용
2. 데이터 준비
   • 레몬에이드 DB(scv)를 가져와서 데이터를 확인합니다.
   • 이때 지도학습회귀의 경우 독립변수와 종속변수를 나눠서 변수로 선언합니다.
   • 레몬에이드의 경우 온도와 판매량이 있습니다.

     	온도	판매량
     0	20	40
     1	21	42
     2	22	44
     3	23	46
     4	24	48
     5	25	50

3. 모델을 만듭니다(어떤 가설을 가질지 준비하는 과정)
   • 독립변수,레이어지정
   • 종속변수Dense레이어 지정
   • 케라스 모델에 xy를 넣어주고 loss는 mse로 컴파일
4. 모델을 학습합니다(fit)하는 과정
   • model.fit(independent,dependent ,epochs=5000 , verbose=0)
   • model을 학습시키는 과정중에 매개변수로 독립변수와 종속변수를 넣어주고 epochs반복횟수를 정한다 이때 vervose는 과정을 노출할것인지 아닌지 정하는 부분
5. 모델을 이용합니다.
   • predict를 통해 독립변수를 넣어서 배열을 통째로 확인해보던지 아니면 궁금한 값을 넣어 예상결과를 도출

 

Boston 집값 구하기

	crim	zn	indus	chas	nox	rm	age	dis	rad	tax	ptratio	b	lstat	medv
	1	2	3	4	5	6	7	8	9	10	11	12	13	median Value
	범죄율			강변		평균방 수	노후주택 비율			재산세율	학생/교사 비율		하위계층 비율	집값
1	0.00632	18	2.31	0	0.538	6.575	65.2	4.09	1	296	15.3	396.9	4.98	24
2	0.02731	0	7.07	0	0.469	6.421	78.9	4.9671	2	242	17.8	396.9	9.14	21.6
3	0.02729	0	7.07	0	0.469	7.185	61.1	4.9671	2	242	17.8	392.83	4.03	34.7
4	0.03237	0	2.18	0	0.458	6.998	45.8	6.0622	3	222	18.7	394.63	2.94	33.4
5	0.06905	0	2.18	0	0.458	7.147	54.2	6.0622	3	222	18.7	396.9	5.33	36.2
6	0.02985	0	2.18	0	0.458	6.43	58.7	6.0622	3	222	18.7	394.12	5.21	28.7
7	0.08829	12.5	7.87	0	0.524	6.012	66.6	5.5605	5	311	15.2	395.6	12.43	22.9
8	0.14455	12.5	7.87	0	0.524	6.172	96.1	5.9505	5	311	15.2	396.9	19.15	27.1

• 1~13까지가 원인 독립변수
• 14  > > median Value(집들의 중간값) 는 종속변수
• 만약 위의 인과관계공식을 만드려면 매우 어렵지만, 머신러닝을 통하면 쉽게 공식이나오고 예측이 가능함

  #패키지 소환
  import pandas as pd
  import tensorflow as tf
  
  #데이터 준비
  boston = pd.read_csv('https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/boston.csv')
  #데이터 확인하기
  boston.head()
  
  #독립,종속 분리
  independent = boston[['crim','zn','indus','chas','nox','rm','age','dis','rad','tax','ptratio','b','lstat']]
  dependent = boston[['medv']]
  #습관적으로 모양 확인하기 
  print(independent.shape,dependent.shape)
  
  #모델의 구조 만들기
  #컬럼이 독립변수가 13개이니 13
  x = tf.keras.layers.Input(shape=[13])
  #종속변수가 1개이니 1 뒤에 꼭 독립변수(x) 넣어주기
  y = tf.keras.layers.Dense(1)(x)
  model = tf.keras.models.Model(x,y)
  model.compile(loss="mse")
  
  
  model.fit(independent,dependent, epochs = 10000 ,verbose=0)
  
  model.fit(independent,dependent, epochs = 10 )
  
  #모델을 이용하기
  print(model.predict(independent[0:10]))
  print(independent[0:10])
  
  #모델의 공식 확인하기
  model.get_weights()
  #[array([[-1.0129092e-01],
  #       [ 4.7717679e-02],
  #        [-5.1099402e-03],
  #        [ 2.6310833e+00],
  #        [-7.2872348e+00],
  #        [ 4.8635139e+00],
  #        [-6.1530294e-03],
  #        [-1.1923397e+00],
  #        [ 2.3119268e-01],
  #        [-1.0202449e-02],
  #        [-6.4626241e-01],
  #        [ 1.3245133e-02],
  #        [-4.7502685e-01]], dtype=float32), array([16.656414], dtype=float32)]

 

• 결론적으로 모델의 수식
  • medv(집값) = -1.0129092e-01*x1) + (4.7717679e-02 * x2) + (-5.1099402e-03 * x3) + (2.6310833e+00 * x4) + (-7.2872348e+00 * x5) + (4.8635139e+00 * x6) + (-6.1530294e-03 * x7) + (-1.1923397e+00 * x8) + ( 2.3119268e-01 * x9) + (-1.0202449e-02 * x10) + (-6.4626241e-01 * x11) + ( 1.3245133e-02 * x12) + (-4.7502685e-01 * x13 + 16.656414

 

위의 과정을 직접적으로 테스트 해보고싶은 그런 충동이 든다면 아래 워크시트에서 해결하면 됩니다 물론 유튜브강좌로 사용법을 보면서 따라하시면 됩니다.

 

https://docs.google.com/spreadsheets/d/11DAONRZ92ob0T0YRIT5KgU9vNeO28bYNvteu_-fbRV0/edit#gid=0

딥러닝 워크북

드라이브 사본으로 꼭 만들고 테스트 하기 관련 강좌는

봉수골 개발자 이선비님~!!

https://youtu.be/ItKi514Ly-4