1. 클래스 방식 - 회귀 1) 클래스 생성  self.fc1 = nn.Linear(n_features, 3)self.relu = nn.ReLU()self.fc2 = nn.Linear(3, 1)  x = self.fc1(x)x = self.relu(x)x = self.fc2(x) class CustomNN1(nn.Module):    def __init__(self, n_features):        super(CustomNN1, self).__init__()        # 필요한 레이어 정의(초기화)        self.fc1 = nn.Linear(n_features, 3)        self.relu = nn.ReLU()        self.fc2 = nn.Linear(3, 1)    def..

★ 얼리스타핑은 에포크수 그냥 나두고 참는 개념을 써서 몇 번 참았을 때 멈추는 개념★ 드롭아웃은 모델구조에 지정하는것 일부 뉴런을 비활성화 시킴 => 너무 의존적인 모델을 임의로 끊어주니까 과적합을 막아주고 성능향상에 도움이 된다.  1. 모델링: 과적합 1) 모델선언 인풋이 어떻게 들어오는지가 중요하다n_feature = 28 * 28n_class = 10node = 128# 모델 구조 설계model = nn.Sequential(nn.Flatten(),               # 이미지를 옆으로 펼치기(한 행에 데이터를 넣기)                      nn.Linear(n_feature, node),                      nn.ReLU(),                 ..

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..

★ 딥러닝 회귀 모델링 준비: 환경준비 => 필요함수 생성 => 디바이스 준비 => 데이터 불러오기 => 데이터 준비 => 데이터 분할 => 데이터 스케일링 => 회귀 모델링 ★ 딥러닝 회귀 모델링 시작: 딥러닝을 위한 준비작업 => 모델 설계 =>목적함수, 옵티마이저 선언=>  모델 학습 => 모델 평가 => 모델 수정 => 모델 학습=> 모델평가 => 은닉층 추가 => 모델학습=> 모델평가  만족하면 그만~ 1. 환경준비 1) 라이브러리 Importtrain_test_split, Scaler, plt, pd, np, torch, DataLoader, TensorDataset, Adamimport pandas as pdimport numpy as npimport matplotlib.pyplot as p..