딥러닝 유방암 데이터 분류 예제

 

목표

• 환자 데이트를 바탕으로 해당환자가 유방암인지 아닌지 분류해보자

import numpy as np

import pandas as pd

import matplotlib.pyplot as plt

 

# 학습용 유방암 데이터 로드

from sklearn.datasets import load_breast_cancer

 

data = load_breast_cancer()

data

 

data.keys()

 

dict_keys(['data', 'target', 'frame', 'target_names', 'DESCR', 'feature_names', 'filename', 'data_module'])

X = data['data']

y = data['target']

 

X.shape, y.shape

 

((569, 30), (569,))

 

from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(X,y, test_size=0.2, random_state=5)

 

print(X_train.shape)

print(X_test.shape)

print(y_train.shape)

print(y_test.shape)

 

(455, 30)
(114, 30)
(455,)
(114,)

신경망 모델링

• 1.신경망 구조 설계
• 2.학습 및 평가방법 설정
• 3.학습 및 시각화
• 4.모델 평가

• 1. 필요한 라이브러리 임포트
  2.  구조설계
     • 입력층, 출력층 잘 확인할 것
     • 활성화 함수는 sigmoid, relu 둘 다 써보기           
     • 학습 및 평가방법 설정에서 optimizer는 SGD랑 Adam 둘 다 써보기

from tensorflow.keras import Sequential

from tensorflow.keras.layers import Dense

 

model = Sequential()

 

model.add(Dense(30, input_dim=30, activation="sigmoid"))

model.add(Dense(15, activation="sigmoid"))

model.add(Dense(5, activation="sigmoid"))

model.add(Dense(1, activation="sigmoid"))

model.summary()

 

Model: "sequential"
_________________________________________________________________
 Layer (type)                Output Shape              Param #   
=================================================================
 dense (Dense)               (None, 30)                930       
                                                                 
 dense_1 (Dense)             (None, 15)                465       
                                                                 
 dense_2 (Dense)             (None, 5)                 80        
                                                                 
 dense_3 (Dense)             (None, 1)                 6         
                                                                 
=================================================================
Total params: 1,481
Trainable params: 1,481
Non-trainable params: 0

model.compile(loss="binary_crossentropy",

              optimizer="SGD",     # Adam : 최근에 가장 많이 사용되는 일반적으로 성능이 좋은 최적화함수

              metrics=['acc'])

 

h = model.fit(X_train,y_train, epochs=100)

 

plt.figure(figsize=(15,5))

plt.plot(h.history['acc'], label='acc')

plt.legend()

plt.show()

 

model.evaluate(X_test, y_test)

4/4 [==============================] - 1s 7ms/step - loss: 0.6830 - acc: 0.5789
[0.6829911470413208, 0.5789473652839661]

model.evaluate(X_test, y_test)         # 활성화 함수 relu / 최적화함수 Adam을 썼을때의 값

4/4 [==============================] - 0s 3ms/step - loss: 0.2237 - acc: 0.8947
[0.22373051941394806, 0.8947368264198303]