2장. 딥러닝 핵심 미리보기¶

나의 첫 딥러닝: '10장 폐암 수술 환자의 생존율 예측' 코드 미리보기¶

1. 환경 준비¶

In [1]:

from tensorflow.keras.models import Sequential  # 텐서플로의 케라스 API에서 필요한 함수들을 불러옵니다.
from tensorflow.keras.layers import Dense       # 데이터를 다루는데 필요한 라이브러리를 불러옵니다.
import numpy as np

from tensorflow.keras.models import Sequential # 텐서플로의 케라스 API에서 필요한 함수들을 불러옵니다. from tensorflow.keras.layers import Dense # 데이터를 다루는데 필요한 라이브러리를 불러옵니다. import numpy as np

2. 데이터 준비¶

In [2]:

Data_set = np.loadtxt("./data/ThoraricSurgery3.csv", delimiter=",") # 준비된 수술 환자 데이터를 불러옵니다.
X = Data_set[:,0:16]                                                 # 환자의 진찰 기록을 X로 지정합니다.
y = Data_set[:,16]                                                   # 수술 후 사망/생존 여부를 y로 지정합니다.

Data_set = np.loadtxt("./data/ThoraricSurgery3.csv", delimiter=",") # 준비된 수술 환자 데이터를 불러옵니다. X = Data_set[:,0:16] # 환자의 진찰 기록을 X로 지정합니다. y = Data_set[:,16] # 수술 후 사망/생존 여부를 y로 지정합니다.

3. 구조 결정¶

In [3]:

model = Sequential()                                                  # 딥러닝 모델의 구조를 결정합니다.
model.add(Dense(30, input_dim=16, activation='relu'))
model.add(Dense(1, activation='sigmoid'))

model = Sequential() # 딥러닝 모델의 구조를 결정합니다. model.add(Dense(30, input_dim=16, activation='relu')) model.add(Dense(1, activation='sigmoid'))

4. 모델 실행¶

In [4]:

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])  # 딥러닝 모델을 실행합니다.
history=model.fit(X, y, epochs=5, batch_size=16)

model.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy']) # 딥러닝 모델을 실행합니다. history=model.fit(X, y, epochs=5, batch_size=16)

Epoch 1/5
30/30 [==============================] - 1s 2ms/step - loss: 1.5790 - accuracy: 0.4957
Epoch 2/5
30/30 [==============================] - 0s 2ms/step - loss: 0.4954 - accuracy: 0.8511
Epoch 3/5
30/30 [==============================] - 0s 2ms/step - loss: 0.4470 - accuracy: 0.8511
Epoch 4/5
30/30 [==============================] - 0s 2ms/step - loss: 0.4369 - accuracy: 0.8511
Epoch 5/5
30/30 [==============================] - 0s 2ms/step - loss: 0.4368 - accuracy: 0.8511

In [ ]: