[딥러닝] 딥러닝 모델링 : Regression

전처리 : Scaling 

*최적화를 위해 필요함. 

방법 1 : Normalization (정규화)

 - 모든 값의 범위를 0~1 로 변환

방법 2 : Standaraization (표준화)

 - 모든 값을 평균=0, 표준편차=1 로 변환

# 스케일러 선언
scaler = MinMaxScaler()

# train 셋으로 fitting & 적용
x_train = scaler.fit_transform(x_train)

# validation 셋은 적용만!
x_val = scaler.transform(x_val)

 

Process

Task : 이전 단계의 output 을 input으로 받음 -> 처리 -> 다음단계로 전달

**공통의 목표를 달성하기 위해 동작

ex) 상품 기획 -> 디자인 -> 생산 - >물류입고 - > 매장판매

 

딥러닝 구조

딥러닝 모델 설계 :  Dense 

# 분석단위의 shape
nfeatures = x_train.shape[1] #num of columns
nfeatures

 

# 메모리 정리
clear_session()

# Sequential 타입
model = Sequential([Input(shape=(nfeatures,)),
                          Dense(1)])

# 모델요약
model.summary()

 

 

 

딥러닝 모델 설계 : Compile

컴파일(compile) 

- 선언된 모델에 대해 몇가지 설정한 후

- 컴퓨터가 이해할 수 있는 형태로 변환하는 작업

 

loss function(오차함수)

- cost function, objective function

- 오차

 

optimizer 

- 오차 최소화 하도록 가중치를 업데이트

- adam 

- learning_rate