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>
