데이터 코드 xy= np.loadtxt(path+"data-03-diabetes.csv", delimiter=",") xy >>> array([[-0.294118 , 0.487437 , 0.180328 , ..., -0.53117 , -0.0333333, 0. ], [-0.882353 , -0.145729 , 0.0819672, ..., -0.766866 , -0.666667 , 1. ], [-0.0588235, 0.839196 , 0.0491803, ..., -0.492741 , -0.633333 , 0. ], ..., [-0.411765 , 0.21608 , 0.180328 , ..., -0.857387 , -0.7 , 1. ], [-0.882353 , 0.266332 , -0.0163934, .....

암분류기 데이터 맨 오른쪽 #1: 수술후 생존, 0: 사망 코드 import tensorflow as tf seed=123 np.random.seed(seed) tf.set_random_seed(seed) path = "C:\\Users\\student\\Desktop\\DY\\★ 데이터\\105. deep-learning-dataset\\" dataset=np.loadtxt(path+"ThoraricSurgery.csv", delimiter =",") dataset >>> array([[293. , 1. , 3.8 , ..., 0. , 62. , 0. ], [ 1. , 2. , 2.88, ..., 0. , 60. , 0. ], [ 8. , 2. , 3.19, ..., 0. , 66. , 1. ], ....

이항변수화(바이너라이저) - 이항변수화: 연속형변수 기준이하 -> 0 , 기준초과 -> 1 확률변수 X가 이항분포를 따른다고 했을 때, 0또는 1값을 갖는 이항변수화가 필요함. - 베르누이 시행: 성공(1), 실패(0) 두가지 경우만 존재 성공확률이 p인 베르누이 시행을 n번 수행 했을 때, 성공하는 횟수를 x라고 하면, 확률변수 x는 모수 n과 p인 이항분포를 따른다. 예시 주사위 : 3 3이 나올 확률(성공) : 1/6 실패 : 5/6 A,B,C,D A만성공, B만성공, C만성공, D만 성공 A만성공: 1/6*5/6*5/6*5/6 =0.09 B만성공: 1/6*5/6*5/6*5/6 =0.09 C만성공: 1/6*5/6*5/6*5/6 =0.09 D만성공: 1/6*5/6*5/6*5/6 =0.09 0.09*4..

케라스 모델 생성 기본 구조 1. 데이터 셋 생성 훈련을 위한 데이터 검증을 위한 데이터 테스트를 위한 데이터 2. 모델 구성 시퀀스 모델 생성한 다음 레이어를 추가( 간단한 모델 ) 복잡한 모델은 케라스 함수API를 사용. 3. 모델 학습과정 설정 Cost 함수 정의, 최적화 방법 정의 Compile 함수 사용 4. 모델 학습 트레이닝 데이터로 모델 학습 Fit 함수 사용됌 5. 훈련 셋, 검증 셋의 COST 측정, 정확도 측정 6. 모델 평가 테스트 데이터셋으로 평가 Evaluate 함수가 사용됌 7. 모델 사용 입력 -> 모델 -> 출력 (예측 .. ) Predict 함수가 사용됌 코드 import tensorflow as tf from keras.datasets import mnist from k..

★실행 환경 tensorboard 1.15.0 tensorflow 1.15.0 tensorflow-estimator 1.15.1 Python 3.7.4 가설함수 $H(x_1,x_2) = w_1x_1 + w_2x_2 + b $ $H(x) = W^T X$ 비용함수 $cost(W,b) = { 1 \over m} \sum_{i=1}^m (H(x^(i))-y^(i))^2 $ 예제 데이터 x1data = [73,93,90,95,72] # 모의고사 점수 x2data = [80,88,92,98,66] # 모의고사 점수 x3data = [75,92,90,100,70] # 모의고사 점수 ydata = [152,185,180,195,140] # 수능 점수 변수 선언 x1 = tf.placeholder(tf.float32) ..

★실행 환경 tensorboard 1.15.0 tensorflow 1.15.0 tensorflow-estimator 1.15.1 Python 3.7.4 로지스틱 회귀 (Logistic Regression) $H(x) = {1 \over (1+ e^(-WtX) ) } $ $ cost(W) = { -1 \over m} * \sum y*\log(H(x)) +(1-y)(\log(1-H(x))$ $ W:= W - \alpha * { \partial \over \partial W}*cost(W)$ 로지스틱 회귀(영어: logistic regression)는 영국의 통계학자인 D. R. Cox가 1958년 에 제안한 확률 모델로서 독립 변수의 선형 결합을 이용하여 사건의 발생 가능성을 예측하는데 사용되는 통계 기법이..