데이터 준비

수업소개

분류 작업을 시작하기 전에 수업에서 사용할 데이터를 익혀봅시다. 이 데이터는 데이터 과학의 세계에서 가장 유명한 데이터입니다.
강의

예제

<html>
<head>
    <!-- 버전에 따라서 예제가 동작하지 않는 경우가 있습니다. 아래 버전을 권장합니다. -->
    <script src="https://cdn.jsdelivr.net/npm/danfojs@0.1.2/dist/index.min.js"></script>
    <!-- <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs@2.4.0/dist/tf.min.js"></script> -->
    <!-- <script src="https://cdn.jsdelivr.net/npm/@tensorflow/tfjs-vis"></script> -->
</head>
<body>
<script>
    dfd.read_csv('https://raw.githubusercontent.com/blackdew/tensorflow1/master/csv/iris.csv').then(function(data){
        console.log(data);
        data.print();
        독립변수 = data.loc({columns:['꽃잎길이','꽃잎폭','꽃받침길이','꽃받침폭']});
        독립변수.print();
        var encoder = new dfd.OneHotEncoder();
        종속변수 = encoder.fit(data['품종']);
        data['품종'].print();
        종속변수.print();
        
    //     var X = tf.input({ shape: [4]});
    //     var H = tf.layers.dense({ units: 4, activation:'relu'}).apply(X);
    
    //     var Y = tf.layers.dense({ units: 3}).apply(H);
    //     var Y = tf.layers.dense({ units: 3, activation:'softmax'}).apply(H);
    
    //     model = tf.model({ inputs: X, outputs: Y });
        
    //     var compileParam = { optimizer: tf.train.adam(), loss: tf.losses.meanSquaredError, metrics:['accuracy'] }
    //     var compileParam = { optimizer: tf.train.adam(), loss: 'categoricalCrossentropy'}
    
    //     model.compile(compileParam);
        
    //     tfvis.show.modelSummary({name:'요약', tab:'모델'}, model);

    //     // 3. 데이터로 모델을 학습시킵니다. 
    //     _history = [];
    //     var fitParam = { 
    //       epochs: 100, 
    //       callbacks:{
    //         onEpochEnd:
    //           function(epoch, logs){
    //             console.log('epoch', epoch, logs, 'RMSE=>', Math.sqrt(logs.loss));
    //             _history.push(logs);
    //             tfvis.show.history({name:'loss', tab:'역사'}, _history, ['loss']);
    //             tfvis.show.history({name:'accuracy', tab:'역사'}, _history, ['acc']);
    //           }
    //       }
    //     } 
        
    //     model.fit(독립변수.tensor, 종속변수.tensor, fitParam).then(function (result) {
    //         // 4. 모델을 이용합니다. 
    //         // 4.1 기존의 데이터를 이용
    //         예측한결과 = new dfd.DataFrame(model.predict(독립변수.tensor));
    //         예측한결과.print();
    //         종속변수.print();

    //     });  
    })
</script>
</body>
</html>
수업소개

강의

예제

댓글
