(Linear Regression Classification)피마 인디언 부족의 당뇨병 발병 여부를 예측하는 데이터 실습

- 머신러닝에서 Logistic Regression을 학습하는 일반적인 데이터

- Colab에서 실행 시 local 또는 Google Drive에서 파일을 읽어들인 후 학습 데이터와 테스트 데이터 등을 분리하여야 함

 

마운트 Mount

저장장치를 사용할 수 있도록 특정 디렉토리에 연결하는 것

Google Drive에 학습 데이터가 저장되어 있고 Colab에서 이러한 학습데이터를 이용하여 딥러닝 개발을 하는 경우

Google Drive --- Mount ---> Colab, Colab의 특정 디렉토리에 Google Drive를 Mount 시켜야 함

# Colab에 GoogleDrive Mount
import tensorflow as tf
from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Flatten, Dense
from tensorflow.keras.optimizer import SGD, Adam

from google.colab import drive
drive.mount('/content/gdrive/') # Colab에서 Google Drive를 마운트 시킬 특정 디렉토리

# Google drive 내의 Working directory 이동
import os
working_dir = 'dataset'

colab_default_dir = '/content/gdrive/MyDrive/Colab Notebooks/'
original_dir = os.setcwd()

try:
	os.chdir(colab_default_dir) # Google Drive의 Colab 기본 디렉토리로 이동
    if not os.path.exists(working_dir):
    	os.mkdir(working_dir)
    os.chdir(working_dir) # working 디렉토리 이동
    print('current dir = ', os.getcwd()))
except Exception as err:
	os.chdir(original_dir)
    print(str(err))
    
# Trainding Data 생성
import numpy as np
try:
	loaded_data = np.loadtxt('./diabetes.csv', delimiter = ',')
    x_data = loaded_data[:,0:-1]
    y_data = loaded_data[:,[-1]]
    print("x_data.shape = ", x_data.shape)
    print("t_data.shape = ", t_data.shape)
excep Exception as err:
print(str(err))

# 모델 구축
model = Seqeuntial()
model.add(Dense(t_data.shape[1], input_shape = (x_data.shape[1],), activation = 'sigmoid'))

# 모델 컴파일
model.compile(optimizer = SGD(learning_rage=0.01), loss = 'binary_crossentropy', metrics = ['accuracy'])
model.summary()

# 모델 학습
hist = model.fit(x_data, t_data, epochs=500, validation_split = 0.2, verbose = 2)

# 모델 (정확도) 평가
model.evaluate(x_data, t_data)

# Loss & Accuracy 시각화
import matplotlib.pyplot as plt
plt.title('Loss')
plt.xlabel('epochs')
plt.ylabel('loss')
plt.grid()

plt.plot(hist.history['loss'], label = 'train loss')
plt.plot(hist.history['val_loss'], label = 'validation loss')
plt.legend(loc = 'best')
plt.show()

plt.title('Accuracy')
plt.xlabel('epochs')
plt.ylabel('accuracy')
plt.grid()

plt.plot(hist.history['accuracry'], label = 'train accuracry')
plt.plot(hist.history['val_accuracy'], label = 'validation accuracy')
plt.legend(loc = 'best')
plt.show()