이미지 데이터 처리를 위한 CNN 완벽 가이드 - 보스턴 집값 회귀 분석 실습

TensorFlow Keras 모듈에서는 하나의 input tensor와 output tenosr를 가진 모델을 쉽게 구현 할 수 있는 Sequential API 를 제공한다. Sequential API를 이용하여 보스턴 집값 데이터 셋을 회귀 분석 하는 MLP 모델을 구현해보자.

 

boston_housing

 - 1970년 중반 보스턴 외곽 지역의 범죄율, 지방세율 등의 데이터가 주어졌을 때 주택 가격의 중간 값을 예측

 - 데이터 포인트가 506개로 비교적 개수가 적고 404개는 훈련 샘플로 102개는 테스트 샘플로 나누어져 있음

 - 입력 데이터에 있는 각 특성(예를 들어 범죄율)은스케일이 서로 달라 정규화 작업이 필요함

 - 타겟 데이터인 주택의 평균 가격의 단위는 천 달러

 

 

 * Keras API 를 활용한 보스턴 집값 데이터셋 회귀 분석

import tensorflow as tf
from tensorflow.keras.datasets import boston_housing
import matplotlib.pyplot as plt

"""* Step 1. Inptu tensor 와 Target tensor 준비(훈련데이터)"""

# 수강생 작성 코드
# 1. import 한 boston_housing API를 이용하여 boston_housing 데이터 셋을 다운로드 받으세요
(train_x, train_y), (test_x, test_y) = boston_housing.load_data()


"""* Step 2. 데이터의 전처리 """

# 수강생 작성 코드
# 1. train 데이터의 feature 별 평균값, 표준편차 값을 이용하여 정규화 작업을 진행하세요
x_mean = train_x.mean(axis=0)
x_std = train_x.std(axis=0)
train_x -= x_mean
train_x /= x_std
test_x -= x_mean
test_x /= x_std

y_mean = train_y.mean(axis=0)
y_std = train_y.std(axis=0)
train_y -= y_mean
train_y /= y_std
test_y -= y_mean
test_y /= y_std


"""* Step 3. DNN(MLP) 모델 디자인"""

# 수강생 작성 코드
# 1. Sequential API를 이용하여 boston_housing 데이터 셋을 분석 하기 위한 MLP 모델을 디자인 하세요
model = tf.keras.Sequential([
  tf.keras.layers.Dense(units=52, activation='relu', input_shape=(13, )), 
  tf.keras.layers.Dense(units=39, activation='relu'), 
  tf.keras.layers.Dense(units=26, activation='relu'), 
  tf.keras.layers.Dense(units=1)
])


"""* Step 4. 모델의 학습 정보 설정"""

# 수강생 작성 코드
# 1. tf.keras.Model 객체의 compile 메서드를 이용하여 학습을 위한 정보들을 설정하세요
#   - optimizer
#   - loss : 체점 기준인 MAE 로 설정
#   - metrics
model.compile(optimizer='rmsprop', loss='mse')


"""* Step 5. 모델에 input, target 데이터 연결 후 학습"""

# 수강생 작성 코드
# 1. tf.keras.Model 객체의 fit 메서드를 이용하여 모델을 학습하세요
#   - fit 메서드의 verbose=2 로 설정 하세요
history = model.fit(train_x, train_y, epochs=30, verbose=2, batch_size=32, validation_split=0.2)

plt.plot(history.history['loss'], 'b-', label='loss')
plt.plot(history.history['val_loss'], 'r--', label='val_loss')
plt.xlabel('Epoch')
plt.legend()
plt.show()