plt.scatter(x_data,
y_data,
c=np.random.random(len(y_data)),
cmap=plt.cm.rainbow)
plt.show()
# 모델 생성
model = LinearModel(num_units=1)
# 최적화 함수, 손실함수와 모델 바인딩
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001),
loss=tf.keras.losses.MSE,
metrics=[tf.keras.metrics.MeanSquaredError()])
# 모델 학습
model.fit(x=x_data, y=y_data, epochs=10, batch_size=32)
# 모델 테스트
prediction = model.predict(x=test_x, batch_size=None)
# 결과 시각화
plt.scatter(x_data,
y_data,
s=5,
label="train data",
c=np.random.random(len(y_data)),
cmap=plt.cm.rainbow)
plt.scatter(test_x, prediction, s=5, label="prediction data")
plt.legend()
plt.show()
# test_x = np.load(".\\datasets\\linear_test_x.npy")
# tf 형식에 맞게 변환
x_data = np.expand_dims(train_data[:,0], axis=1) #train_data의 x값만 따로 저장
y_data = train_data[:,1] #train_data의 y값만 따로 저장
# 모델 생성
model = LinearModel(num_units=1)
# 최적화 함수, 손실함수와 모델 바인딩
model.compile(optimizer=tf.keras.optimizers.SGD(learning_rate=0.001),
loss=tf.keras.losses.MSE,
metrics=[tf.keras.metrics.MeanSquaredError()])
# SGD(Stochastic Gradient Descent) : 확률적 경사 하강법
# >> 입력 데이터가 확률적으로 선택된다.
# loss : MSE(Mean Square, Error비용함수)
# MeanSquaredError : 실제결과값과 예상값의 차이(error)
# # 모델 학습
model.fit(x=x_data,
y=y_data,
epochs=10, #데이터 전체에 대한 학습 반복 횟수
batch_size=32) #배치(batch=집단)의 크기
# 모델 정리
model.summary()
#load 종료
train_data.close()
