[AI 스터디]-2 Project 1 : 대학원붙을 확률을 예측해보자

문제 : gre, gpa, rank를 바탕으로 admit을 예측하자.

• keras : tensorflow 안에 있는 유용한 도구. 케라스는 유저가 손쉽게 딥 러닝을 구현할 수 있도록 도와주는 상위 레벨의 인터페이스로 딥 러닝을 쉽게 구현할 수 있도록 해줌.
• optimizer : 경사하강법에서 빼는 값을 조정해줌.
  기본적으로는 adam 사용하면 됨.
  
• loss : 손실함수. 값을 예측할 때 데이터에 대한 예측값과 실제의 값을 비교하는 함수.
  ex) binary_crossentropy - 결과가 0과 1 사이의 분류/확률문제에서 사용한다.
• pandas : R의 dataframe을 참고하여 만든 파이썬 패키지로, 데이터 분석을 위한 라이브러리이다.
• 데이터 전처리가 필요한 이유 : .csv파일을 열어보면 값이 들어있지 않은 셀이 있다. 해당 셀의 경우 평균 값을 넣는 등의 작업을 통해 처리를 해줘야 하기 때문이다.

• 유용한 pandas 함수
  data.isnull().sum()   #빈 칸을 모두 알려줘라
  data.dropna()   #null값이 포함되어 있는 행 지우기
  data.fillna(100)   #빈 칸을 100으로 다 채워라
  data['gpa']   #gpa라는 열을 모두 나열해라.
  data['gpa'].max()   #최댓값을 알려줘라.
• data.iterrow() : 한 행씩 출력하기

import pandas as pd

data = pd.read_csv('/content/sample_data/gpascore.csv')
#데이터 전처리하기
#print(data.isnull().sum()) #빈 칸 세기
data = data.dropna() #빈 칸 없애주는 함수

y데이터 = data['admit'].values

x데이터 = []

for i, rows in data.iterrows() : 
  x데이터.append([rows['gre'], rows['gpa'], rows['rank']])

import numpy as np
import tensorflow as tf
#1. 딥러닝 model 디자인하기

model = tf.keras.models.Sequential([
#중간레이어
  tf.keras.layers.Dense(64, activation = 'tanh'), 
  tf.keras.layers.Dense(128, activation = 'tanh'), 
#최종레이어 #최종 결과를 0~1 사이로 받으려면 sigmoid 활성 함수 사용.
  tf.keras.layers.Dense(1, activation = 'sigmoid'), #마지막 레이어는 결과가 1개이니까 노드 1개.      
])

#2. model compile 하기
model.compile(optimizer = 'adam', loss = 'binary_crossentropy', metrics = ['accuracy'])

#3. model 학습(fit) 시키기 (트레이닝 데이터, 실제 정답, epochs)
model.fit( np.array(x데이터), np.array(y데이터), epochs = 1000)

#예측
예측값 = model.predict( [ [7580, 3.70, 3], [400, 2.2, 1] ])
print(예측값)

• 처리 결과Epoch : 네이버 영어 사전의 뜻으로는 시대이다. 훈련 데이터셋에 포함된 데이터들이 모델을 통과한 횟수로, 모든 학습 데이터셋을 학습하는 횟수를 의미한다.

• loss : 오차율로 loss값이 점점 작아진다면 잘 수행되고 있는 중이다.
• accuarcy : 정확도. 점점 높아진다면 잘 수행되고 있는 중이다.