close_btn
조회 수 2116 추천 수 0 댓글 0
?

단축키

Prev이전 문서

Next다음 문서

+ - Up Down Comment Print Files
?

단축키

Prev이전 문서

Next다음 문서

+ - Up Down Comment Print Files
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
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
 
# coding: utf-8
 
# In[2]:
 
 
import os
import tensorflow as tf
os.chdir("C:/Users/kebee/Desktop/toobig/6주차 TensorFlow-Tutorials/6주차 TensorFlow-Tutorials"
 
 
# In[3]:
 
 
import pandas as pd
doc = pd.read_csv("white.csv")
 
 
# In[4]:
 
 
#데이터 보기
doc.head(6)
 
 
# In[7]:
 
 
type(doc.y)
 
 
# In[9]:
 
 
#str로 레이블 타입 바꾸기
doc.y= doc.y.astype("str")
 
 
# In[17]:
 
 
#레이블 벨런스 및 수 확인 
doc.y.value_counts()
 
 
# In[16]:
 
 
#레이블 행렬 구조 확인 
doc.shape
 
 
# In[79]:
 
 
 
import pandas as pd
import numpy as np
from sklearn.model_selection import train_test_split
 
#변수와 레이블 분리 
X_data=doc.iloc[:,0:11]
y_data = doc.y
 
 
# In[80]:
 
 
#레이블 원핫 인코딩 적용 
from sklearn.preprocessing import OneHotEncoder
ohe = OneHotEncoder()
y_data1 = y_data.values
y_data1 = ohe.fit_transform(y_data1.reshape(-11)).toarray()
y_data1
 
 
# In[81]:
 
 
#training데이터와 test데이터 나누기 
X_train, X_test, Y_train, Y_test = train_test_split(X_data, y_data1, test_size=0.2)
 
 
# In[ ]:
 
 
import math
import numpy as np
 
 
# 1.  sigmoid 함수이용, GradientDescentOptimizer 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
#초기값 
W1 = tf.Variable(tf.random_normal([11,7],stddev=0.01))
b1 = tf.Variable(tf.zeros([7]))
hypothesis = tf.sigmoid(tf.matmul(X, W1) + b1)
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#GradientDescent optimizer사용 
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 이면  true, 아니면 false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련 
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#10000번 돌리고 1000번당 출력 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
# In[155]:
 
 
#정확도 27%
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[152]:
 
 
# 2.  Layer 확대와 Node 수변경, sigmoid 함수이용, Adamoptimizer 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
#layer수 3개 
W1 = tf.Variable(tf.random_normal([11,10],stddev=0.01))
b1 = tf.Variable(tf.zeros([10]))
h1 = tf.sigmoid(tf.matmul(X, W1) + b1)
 
W2 = tf.Variable(tf.random_normal([10,10],stddev=0.01))
b2 = tf.Variable(tf.zeros([10]))
h2 = tf.sigmoid(tf.matmul(h1, W2) + b2)
 
W3 = tf.Variable(tf.random_normal([10,7],stddev=0.01))
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
# Adam사용 
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 is true, else false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#10000번 돌리고 1000번당 출력 
 
#실행 및 출력
 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
# In[153]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[165]:
 
 
#3. Weight 초기화하는Xavier 알고리즘, Layer 확대와Node 수변경, Adamoptimizer, relu 함수이용 
 
tf.reset_default_graph()
 
#layer수 3개 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
 
W1 = tf.get_variable("W1",shape = [11,10],initializer = tf.contrib.layers.xavier_initializer())
b1 = tf.Variable(tf.zeros([10]))
h1 = tf.nn.relu(tf.matmul(X, W1) + b1)
 
W2 = tf.get_variable("W2",shape = [10,10],initializer = tf.contrib.layers.xavier_initializer())
b2 = tf.Variable(tf.zeros([10]))
h2 = tf.nn.relu(tf.matmul(h1, W2) + b2)
 
W3 = tf.get_variable("W3",shape = [10,7] ,initializer = tf.contrib.layers.xavier_initializer())
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
#cross entropy cost function 사용
 
 
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#adam optimizer 사용 
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
# 예측값 H(X) > 0.5 is true, else false
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
# 0이나 1의 값을 트레이닝 횟수만큼 평균치 계산
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#실행 및 출력
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
 
# In[166]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test}))
 
 
# In[182]:
 
 
# 4. Dropout, sigmoid 함수이용, GradientDescentOptimizer, Layer 확대와 Node 수변경 
 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
keep_prob = tf.placeholder(tf.float32)
 
 
#layer수 3개
W1 = tf.Variable(tf.random_normal([11,30],stddev=0.01))
b1 = tf.Variable(tf.zeros([30]))
h1 = tf.sigmoid(tf.matmul(X, W1) + b1)
h1 = tf.nn.dropout(h1, keep_prob)
 
 
 
W2 = tf.Variable(tf.random_normal([30,256],stddev=0.01))
b2 = tf.Variable(tf.zeros([256]))
h2 = tf.sigmoid(tf.matmul(h1, W2) + b2)
h2 = tf.nn.dropout(h2, keep_prob)
 
 
W3 = tf.Variable(tf.random_normal([256,7],stddev=0.01))
b3 = tf.Variable(tf.zeros([7]))
hypothesis = tf.matmul(h2, W3) + b3
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#GradientDescent optimizer사용 
optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
 
#훈련
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
#실행 및 출력
#드롭아웃 0.8 확률로 적용 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train,keep_prob:0.8})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
 
 
# In[183]:
 
 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
#테스트할 때는 드롭아웃을 적용하지 않는다 
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test,keep_prob:1}))
 
 
# In[179]:
 
 
#5. Dropout, relu 함수이용, Layer 확대와Node 수변경, Adamoptimizer, Weight 초기화하는Xavier 알고리즘이용 
 
 
tf.reset_default_graph()
 
#layer 4개 
= tf.placeholder(tf.float32,[None, 11])
= tf.placeholder(tf.float32,[None, 7])
keep_prob = tf.placeholder(tf.float32)
 
#Weight 초기화하는Xavier 알고리즘
W1 = tf.get_variable("W1",shape = [11,20],initializer = tf.contrib.layers.xavier_initializer())
#bias담기
b1 = tf.Variable(tf.zeros([20]))
#relu함수 
h1 = tf.nn.relu(tf.matmul(X, W1) + b1)
#dropout적용
h1 = tf.nn.dropout(h1, keep_prob)
 
 
#Weight 초기화하는Xavier 알고리즘
 
W2 = tf.get_variable("W2",shape = [20,80],initializer = tf.contrib.layers.xavier_initializer())
b2 = tf.Variable(tf.zeros([80]))
h2 = tf.nn.relu(tf.matmul(h1, W2) + b2)
h2 = tf.nn.dropout(h2, keep_prob)
 
 
W3 = tf.get_variable("W3",shape = [80,30] ,initializer = tf.contrib.layers.xavier_initializer())
b3 = tf.Variable(tf.zeros([30]))
h3 = tf.nn.relu(tf.matmul(h2, W3) + b3)
h3 = tf.nn.dropout(h3, keep_prob)
 
W4 = tf.get_variable("W4",shape = [30,7] ,initializer = tf.contrib.layers.xavier_initializer())
b4 = tf.Variable(tf.zeros([7]))
h4 = tf.nn.dropout(h3, keep_prob)
 
 
 
 
hypothesis = tf.matmul(h4, W4) + b4
 
#cross entropy cost function 사용
cost = tf.reduce_mean(tf.nn.softmax_cross_entropy_with_logits_v2(logits=hypothesis, labels=Y))
#adam optimizer
optimizer = tf.train.AdamOptimizer(learning_rate=0.1).minimize(cost)
 
#실행 및 출력
 
init = tf.global_variables_initializer()
sess= tf.Session()
sess.run(init)
 
for step in range(10001):
    cost_val,  _ = sess.run([cost, optimizer], feed_dict={X:X_train, Y:Y_train,keep_prob:0.8})
    if step % 1000 == 0:
        print(step, '\t', cost_val)
            
 
 
 
# In[180]:
 
 
#테스트 
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
is_correct = tf.equal(tf.argmax(predicted,1), tf.argmax(Y,1))
accuracy = tf.reduce_mean(tf.cast(is_correct,tf.float32))
print('정확도 : ', sess.run(accuracy, feed_dict={X: X_test, Y: Y_test,keep_prob:1}))
 
 
cs

List of Articles
번호 제목 글쓴이 날짜 조회 수
공지 우수 코드 게시판 이용 관련 공지사항 DataMarket 2014.05.21 39713
153 투빅스 10기&11기 8주차 CNN 심화 [VGG 구현]- 11기 홍지은 file 오디빛 2019.03.27 688
152 투빅스 10기&11기 8주차 CNN 심화 - 11기 정혜인 file 정혜인 2019.03.27 496
151 투빅스 10기&11기 7주차 NLP - 11기 김유민 file 2019.03.21 543
150 투빅스 10기&11기 7주차 Algorithm - 11기 한재연 file 한재연 2019.03.20 423
149 투빅스 10기&11기 7주차 CNN (Alexnet) - 11기 심은선 file 심은선 2019.03.15 444
148 투빅스 10기&11기 7주차 - NLP - 11기 유기윤 file 유기윤 2019.03.14 458
147 투빅스 10기&11기 6주차 Advanced Neural Network - 11기 김대웅 file 김대웅 2019.03.12 447
146 투빅스 10기&11기 5주차 Neural Network - 11기 김대웅 file 김대웅 2019.03.07 453
145 투빅스 10기&11기 4주차 Algorithm - 10기 정윤호 UNOVATE 2019.03.04 424
144 투빅스 10기&11기 4주차 ML Performance Tuning - 11기 김대웅 김대웅 2019.02.22 462
143 투빅스 10기&11기 4주차 PCA - 11기 임채빈 임채빈 2019.02.22 528
142 투빅스 10기&11기 3주차 Clustering - 11기 한재연 file 한재연 2019.02.16 485
141 투빅스 10기&11기 3주차 Decision Tree - 11기 김유민 file 2019.02.15 494
140 투빅스 10기&11기 3주차 Clustering - 11기 김대웅 file 김대웅 2019.02.15 496
139 투빅스 10기&11기 3주차 Algorithm - 11기 한재연 file 한재연 2019.02.15 444
138 투빅스 10기&11기3주차 앙상블(Kaggle HousePrice) - 11기 이소라 file 소라찌 2019.02.15 489
137 투빅스 10기&11기 2주차 SVM, Naive Bayes, KNN - 11기 유기윤 file 유기윤 2019.02.02 599
136 투빅스 10기&11기 2주차 SVM, Naive Bayes, KNN - 11기 김대웅 file 김대웅 2019.01.31 759
135 투빅스 10기&11기 1주차 Algorithm - 11기 한재연 1 file 한재연 2019.01.31 1044
134 투빅스 10기&11기 1주차 Algorithm - 11기 권혜민 file 권혜민 2019.01.31 879
Board Pagination ‹ Prev 1 2 3 4 5 6 7 ... 8 Next ›
/ 8

나눔글꼴 설치 안내


이 PC에는 나눔글꼴이 설치되어 있지 않습니다.

이 사이트를 나눔글꼴로 보기 위해서는
나눔글꼴을 설치해야 합니다.

설치 취소

Designed by sketchbooks.co.kr / sketchbook5 board skin

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5

Sketchbook5, 스케치북5