[section_5_lab] Logistic (Regression) Classification 실습

Logistic (Regression) Classification 실습

• 실행 코드
  

import tensorflow as tf
import numpy as np
import os
os.environ['TF_CPP_MIN_LOG_LEVEL'] = '2'

x_data = [[1, 2], [2, 3], [3, 1], [4, 3], [5, 3], [6, 2]]
y_data = [[0], [0], [0], [1], [1], [1]]

# none이라는 것은 몇개의 데이터가 들어올지 모른다를 의미한다.
# 뒤의 수는 각 데이터에 몇개의 값이 들어오는지를 의미한다.
X = tf.placeholder(tf.float32, shape=[None, 2])
Y = tf.placeholder(tf.float32, shape=[None, 1])

#[2,1] : 두개의 수가 들어오고 하나의 수가 나간다.
#[1] : 한개의 수가 나간다.
W = tf.Variable(tf.random_normal([2, 1]), name='weight')
b = tf.Variable(tf.random_normal([1]), name='bias')

# Hypothesis using sigmoid: tf.div(1., 1. + tf.exp(tf.matmul(X, W)))
# sigmoid란  sigmoid: tf.div(1., 1. + tf.exp(tf.matmul(X, W)))과 같은 수식이다.
# 사용자 편의를 위해 구현해놓은 라이브러리로 이해
hypothesis = tf.sigmoid(tf.matmul(X, W) + b)

# cost/loss function (Logistic)
cost = -tf.reduce_mean(Y * tf.log(hypothesis) + (1 - Y) * tf.log(1 - hypothesis))
train = tf.train.GradientDescentOptimizer(learning_rate=0.01).minimize(cost)

# Accuracy computation
# True if hypothesis>0.5 else False
predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, Y), dtype=tf.float32))

# Launch graph
with tf.Session() as sess:
   # Initialize TensorFlow variables
   sess.run(tf.global_variables_initializer())

   for step in range(10001):
       cost_val, _ = sess.run([cost, train], feed_dict={X: x_data, Y: y_data})
              if step % 5000 == 0:
           print(step, cost_val)

   # Accuracy report
   h, c, a = sess.run([hypothesis, predicted, accuracy],
                      feed_dict={X: x_data, Y: y_data})
   print("\nHypothesis:\n", h, "\nCorrect (Y):\n", c, "\nAccuracy:\n", a)

• 실행 결과