#iris 데이터셋 = 꽃받침과 이파리로 꽃을 맞추는 데이터셋
#케라스 원 핫 인코딩
import numpy as np
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from tensorflow.python.keras.models import Sequential
from tensorflow.python.keras.layers import Dense
from sklearn.metrics import accuracy_score
from keras.utils import to_categorical
from tensorflow.python.keras.callbacks import EarlyStopping
#1. 데이터
datasets=load_iris()
# print(datasets.DESCR) #판다스 describe
# print(datasets.feature_names) # 판다스 columns
x = datasets.data
y = datasets['target']
# .reshape(-1,1) #사이킷런 원핫 인코딩 할때 씀
print(x.shape, y.shape) #(150, 4) (150,)
print('y의 라벨값 :', np.unique(y)) #unique = 각 라벨값을 표시
########################요 지점에서 원핫을 해야한다###########################
#1. 판다스
#import pandas as pd
# y = pd.get_dummies(y)
# print(y.shape)
#2. 사이킷런
from sklearn.preprocessing import OneHotEncoder
encoder = OneHotEncoder()
y= y.reshape(-1,1)
y=encoder.fit_transform(y).toarray()
#3. 케라스
# y = to_categorical(y)
# print(y.shape)
###################################################
x_train,x_test, y_train, y_test = train_test_split(
x,y,
shuffle=True,
random_state=321,
train_size=0.8,
stratify=y #y를 통계적으로 해라. (y 데이터의 비율따라 나누기)
)
print(y_train)
print(np.unique(y_train, return_counts=True)) #unique< 라벨값 표시, return_counts = 갯수까지 표시
# (array([0, 1, 2]), array([40, 40, 40], dtype=int64))
#2. 모델구성
model=Sequential()
model.add(Dense(50,activation='relu', input_dim=4))
model.add(Dense(40,activation='relu'))
model.add(Dense(30,activation='relu'))
model.add(Dense(20,activation='relu'))
model.add(Dense(10,activation='relu'))
model.add(Dense(3,activation='softmax')) # softmax 는 각각의 라벨에 대한 확률을 부여하여 출력한다.
#y의 라벨의 갯수(클래스의 갯수)만큼 노드를 잡는다.
#ex 1번이 0.5확률이면 1번이 답.
#다중분류의 마지막 activation은 softmax
#3. 컴파일, 훈련 #softmax, 다중분류의 loss는 categorical_crossentropy 하나뿐
model.compile(loss='categorical_crossentropy', optimizer='adam',
metrics=['acc'])
es = EarlyStopping(monitor='val_acc',
mode='max',
verbose=1,
patience=50)
model.fit(x_train, y_train,
epochs=1000, batch_size=5,
validation_split=0.4,
verbose=1,
callbacks=[es],
)
#4. 평가, 예측
result = model.evaluate(x_test,y_test) #엄밀히 얘기하면 loss = result이다.
#model.evaluate=
#model.compile에 추가한 loss 및 metrix 모두 result로 표시된다.
#metrix의 accuracy는 sklearn의 accuracy_score 값과 동일하다.
print('result :', result)
y_predict= np.round(model.predict(x_test))
print(y_predict)
acc = accuracy_score(y_test, y_predict)
print('acc :', acc)
# accuracy_score를 사용하여 스코어를 빼세요.