1. 데이터 다운로드 1) 데이터 다운로드# Download training data from open datasets.train_dataset = datasets.MNIST(    root="data",    train=True,    download=True,    transform=ToTensor(),   # 픽셀값을 [0,1] 사이로 정규화하고 텐서로 변환)# Download test data from open datasets.test_dataset = datasets.MNIST(    root="data",    train=False,    download=True,    transform=ToTensor(),) - 데이터셋 일반 정보train_dataset, test_dataset- 데이터셋의..

★ 다중클래스 분류의 목적함수는 CrossEntropyLoss()★ 다중클래스 분류의 활성화함수는 Softmax() 지정할 필요없음★ 은닉층의 활성화함수는 ReLU()★ 다중클래스의 가변수화는 integer incoding  1. 데이터 준비 1) 데이터 준비 data.drop(target, axis=1): target은 없애고 특성수만 존재하도록data.loc[:,target]: target만 존재하도록target = 'Species'x = data.drop(target, axis = 1)y = data.loc[:, target]   2)  integer encoding - 다중클래스의 가변수화 - 다중 클래스 분류 모델링을 위해서는 y는 integer encoding을 먼저 수행해야됨- LabelEn..

이진분류 모델링은결과 값이 두 개 중에 하나로 분류된다는 것이다. ★ 이진분류 모델링 활성함수: 시그모이드 함수★ 이진분류 목적함수: BCE  1. 데이터 준비 1) 데이터 준비 x: 'Sex', 'Age', 'Fare' 라는 특성y: 'Survived' 라는 정답 레이블data.loc[:, features]data.loc[:, target]target = 'Survived'features = ['Sex', 'Age', 'Fare']x = data.loc[:, features]y = data.loc[:, target]  2) 가변수화성별은 범주값이니까 가변수화해줘야된다.pd.get_dummies(drop_first=True) # 성별만 범주화니까 가변수화 해줘야됨 'True'가 1 'False'가 0 수..