# 분류하고자하는 동물의 특징들과 분류 결과가 있는 학습데이터를 읽어옵니다. xy = np.loadtxt('data-04-zoo.csv', delimiter=',', dtype=np.float32)
# 처름부터 마지막 컬럼 전까지가 특징들입니다. x_data = xy[:, 0:-1]
# 마지막 컬럼이 분류된 결과 입니다. (0~6 로 구분) y_data = xy[:, [-1]]
# x, y 데이터 구성을 출력합니다. print(x_data.shape, y_data.shape)
# 0~6 까지 7까지 분류를 합니다. nb_classes = 7
# n 개의 데이터들이 16 가지 특징을 가집니다. X = tf.placeholder(tf.float32, [None, 16]) # n 개의 데이터가 1개의 결과를 나타냅니다. Y = tf.placeholder(tf.int32, [None, 1]) # 0 ~ 6 # One Hot 을 이용해 7개의 분류도 나누되 0,1 로 구분지을수 있도록 합니다. [[0],[3]] => [[[1000000]],[[0001000]]] Y_one_hot = tf.one_hot(Y, nb_classes) # one hot print("one_hot", Y_one_hot) # 차원이 하나 더 생겼으므로 차원을 제거합니다. [[[1000000]][[0001000]]] => [[1000000],[0001000]] Y_one_hot = tf.reshape(Y_one_hot, [-1, nb_classes]) print("reshape", Y_one_hot)
# 입력은 16개 출력은 7가지로 W = tf.Variable(tf.random_normal([16, nb_classes]), name='weight') # 출력은 7가지 b = tf.Variable(tf.random_normal([nb_classes]), name='bias')
# cost 를 계산한다. # logits 는 결과 데이터 이며 logits = tf.matmul(X, W) + b # 결과데이터를 softmax 를 이용하여 합계가 1 이되도록 확률로 계산하도록 가설을 세운다. hypothesis = tf.nn.softmax(logits)
# cost 가 최소화되도록 한다. # (cost = tf.reduce_mean(-tf.reduce_sum(Y * tf.log(hypothesis), axis=1)) 를 함수화 함) cost_i = tf.nn.softmax_cross_entropy_with_logits(logits=logits, labels=Y_one_hot) cost = tf.reduce_mean(cost_i) optimizer = tf.train.GradientDescentOptimizer(learning_rate=0.1).minimize(cost)
# 가설을 이용한 결과 값(prediction)과 onehot 을 이용한 결과 값이 같은지 비교하고 얼마나 정확한지 (accuracy)를 나타냅니다. prediction = tf.argmax(hypothesis, 1) correct_prediction = tf.equal(prediction, tf.argmax(Y_one_hot, 1)) accuracy = tf.reduce_mean(tf.cast(correct_prediction, tf.float32))
# 학습합니다. with tf.Session() as sess: sess.run(tf.global_variables_initializer())
for step in range(2000): sess.run(optimizer, feed_dict={X: x_data, Y: y_data}) if step % 100 == 0: loss, acc = sess.run([cost, accuracy], feed_dict={X: x_data, Y: y_data}) print("Step: {:5}\tLoss: {:.3f}\tAcc: {:.2%}".format(step, loss, acc))
# 학습한 결과로 엑셀데이터를 실제로 분류해봅니다. pred = sess.run(prediction, feed_dict={X: x_data}) # flatten => [[0],[1]] => [0,1] ,zip 은 묶어서 처리하는것으로 아래 코드는 zip 으로 묶어 앞에껀 p 로 뒤에껀 y 로 처리한다는 의미. for p, y in zip(pred, y_data.flatten()): print("[{}] Prediction: {} True Y: {}".format(p == int(y), p, int(y))) # 결과(TRUE/FALSE), 예측한결과값, 실제값
아래 결과를 보면 알겠지만 accuracy 가 100% 입니다. 이를 보면 학습하는 데이터가 좋을수록 분류를 잘한다는걸 알 수 있습니다.
data-04-zoo.csv
