로지스틱회귀를 사용한 MNIST 데이터 분류

• 과제 목표: 로지스틱회귀 모델을 이용해 MNIST 데이터셋 분류 (0~9까지 멀티클래스 분류)
• Google Colaboratory 사용

---

1. 패키지 가져오기

import numpy as np from keras.datasets import mnist from sklearn.model_selection import train_test_split from sklearn.preprocessing import StandardScaler from sklearn.linear_model import LogisticRegression from sklearn.metrics import plot_confusion_matrix import matplotlib.pyplot as plt

 

2. 학습데이터, 테스트 데이터 불러오기

(train_images, train_labels), (test_images, test_labels) = mnist.load_data() #train:학습데이터, test: 테스트 데이터 class_index = 0 #클래스 인덱스 X = train_images.reshape(-1, 28*28) / 255  #reshape 함수를 통해 각 데이터 샘플을 행벡터로, 255로 나누어 줌으로서 픽셀값을 [0,1] 단위로 변환한다. #-1 은 2차원 데이터(데이터샘플)의 개수를 모르기 때문에 넣어준 것. #하나의 이미지가 28 by 28 행렬로 이루어져 있기 때문에 28*28 열을 가지게 함. 하나의 행벡터 크기가 1 by (28*28) X_set = X[train_labels == class_index] # class_index에 해당하는 이미지 부분 가져오기 Y_set = (class_index) * np.ones(X_set.shape[0]) #class_index 클래스의 정답을 class_index로 표기 for i in range(1,10): #클래스 1 ~ 9 도 X_set, Y_set에 추가해준다.   X_set = np.append(X_set, X[train_labels == i], axis=0)           # 클래스2 숫자를 추가   Y_set = np.append(Y_set, i * np.ones(X_set.shape[0] - Y_set.shape[0]))  # 클래스2 숫자 정답은 +1로 표기 Y_set = Y_set.astype('int64') #정답값(레이블) 형변환 #학습데이터-테스트데이터 쪼개는 함수 X_train, X_test, y_train, y_test = train_test_split(     X_set, Y_set, test_size=0.3, random_state=1, stratify=Y_set) # test_size : 전체 샘플에서 지정한 비율 만큼을 테스트 셋으로 분할 # stratify  : 각 분할 셋의 클래스 분포 비가 지정한 셋과 동일하도록 함(옵션값. 이거 안 넣으면 그냥 무작위 비율로 쪼갠다) print('y의 레이블 카운트 : ', np.bincount(Y_set)) #bincount: 어떤 종류의 값이 있는지 각각 세준다. print('y_train의 레이블 카운트 : ', np.bincount(y_train))  print('y_test의 레이블 카운트 : ', np.bincount(y_test))

 

3. 특성값 표준화 및 로지스틱회귀 모델 훈련

#특성값 표준화  sc = StandardScaler() #객체생성 sc.fit(X_train)         # 데이터의 평균, 표준편차를 계산해서 가지고만 있음 X_train_std = sc.transform(X_train)   # 구한 값을 이용해서 표준화를 함. transform 함수. X_test_std = sc.transform(X_test)     # 학습에 이용할 train의 평균과 표준편차로 표준화. 당연히 테스트데이터도 동일한 표준화를 해야 됨! #로지스틱회귀 모델 훈련 LR = LogisticRegression(random_state=1) #로지스틱회귀 객체 생성 LR.fit(X_train_std, y_train) #로지스틱회귀 학습하기 #학습된 로지스틱회귀 모델 테스트 X_test = test_images.reshape(-1, 28*28) / 255 #학습과정과 동일한 전처리 print('정확도 : %.2f' % LR.score(X_test_std, y_test))

 

 

4. Confusion Matrix 구하기

# import some data to play with class_names = ['0', '1', '2', '3', '4', '5', '6', '7', '8', '9'] fig, ax = plt.subplots(figsize=(10, 10)) plot_confusion_matrix(LR, X_test_std, y_test,                       display_labels=class_names,                       cmap=plt.cm.Blues, ax=ax, normalize='true')     # true로 하면 확률로 보여줌.normalize='true'                                             # 안하면 개수로 보여줌 plt.show()

 

 

---

로지스틱회귀를 사용한 MNIST 데이터 분류.ipynb

0.07MB