Multi-variable linear regression(2)

4.Multi-variable linear Regression(1) 에 이어서 포스팅을 하겠습니다.
이번 장에서는 tensorflow로 처음부터 끝까지 간단하게 데이터를 훈련시키고 예측까지 시켜보겠습니다.

전 장에서 언급한 예제인 어떤 학생의 국어 영어 수학 과학 점수를 입력하면 대학 합격 유무를 알려주게끔 학습을 시켜 보겠습니다.

먼저, 맨 처음 tensorflow를 import~~!

import tensorflow as tf

그리고 실제 대학생의 데이터를 선언해줍니다.

x_data=[[100,92,95,72],[92,88,80,66],[70,59,68,77]]
# [학생1[국,영,수,과],학생2[국,영,수,과],학생3[국,영,수,과]]
y_data=[[1],[1],[0]] #합격(1) 합격 불합격(0)

그 다음 학습에 필요한 변수들 선언!

#한 명당 속성이 4이므로 x_data를 담을 틀인 X의 shape는 [None,4]
X=tf.placeholder(tf.float32,shape=[None,4]) 
Y=tf.placeholder(tf.float32,shape=[None,1])
#W의 shape는 X의 shape와 행렬곱해서 Y의 shape가 되어야하므로 [4,1]
W=tf.Variable(tf.random_normal([4,1]),name='weight')
b=tf.Variable(tf.random_normal([1]),name='bias')

hypothesis 정의

#행렬 곱으로 다시 정의된 hypothesis
hypothesis=tf.matmul(X,W)+b

cost 함수 정의

#예측 값과 실제 값의 차이
cost=tf.reduce_mean(tf.square(hypothesis-Y))

cost 최소화

#실제 값과 예측 값의 차이를 계속 줄여준다.
optimizer=tf.train.GradientDescentOptimizer(learning_rate=0.00001)
train=optimizer.minimize(cost)

노드들을(tensor) 그래프화

sess=tf.Session()
#변수 초기화
sess.run(tf.global_variables_initializer())

학습을 시작합니다~

#반복문을 돌면서 계속 데이터를 넣는다->w,b가 cost가 최소가 되게 계속 이동
for step in range(2001):
	cost_val,_=sess.run([cost,train],feed_dict={X:x_data,Y:y_data})})
	if(step%100==0):
		print(step,cost_val)

학습 끝! 이번에도 step마다 cost가 줄어드는 것을 보실 수 있습니다.

과연 학습이 잘 되었나 확인해볼까요? 국어 88점, 영어 92점, 수학 90점, 과학 80점 과연 결과는???

앗?? 이럴수가 0과 1사이가 아닌 수가 나와버렸네요~ 1과 더 가깝다고 합격이라고 예측하기에도 힘들죠

이것을 해결해 줄 것은 바로 다음에 배울 분류(classification)입니다!!!!

classification(분류)에 대해 간단히 배운 후 다시 실행해 보겠습니다~!
일단은 다수의 속성을 가진 데이터에 대해 학습을 할 때는 행렬 곱을 이용한다는 것
변수 선언 시 shape가 중요하다는 것만 기억하셔도 좋습니다~

전체 코드