[딥러닝] 원핫인코딩, 소프트맥스, 목적함수, 메트릭, fit

원핫인코딩

- 숫자가 아닌 범주형 특징을 숫자형으로 표현하는 방법

- 예를 들어, [0-9]의 d값을 갖는 범주형 숫자는 d번째 위치만 1로 하고 나머지는 항상 0값을 갖는 벡터로 인코딩할 수 있다. 

- 학습 알고리즘이 수치형 함수를 처리하게 작성됐을 때 데이터마이닝에서 사용한다. 

 

소프트맥스

- 임의의 실수 값을 갖는 k차원의 벡터를 (0,1)사이의 실수 값으로 축소한다.

 

모델을 정의한 다음, 모델을 텐서플로에서 실행할 수 있도록 컴파일해야한다. 

컴파일 과정에서의 선택사항 :

 - 옵티마이저(모델 학습할 때 가중치 업데이트 알고리즘)

 - 최적화하는데 사용할 목적함수 지정

 - 학습한 모델 평가

 

목적함수

MSE - 예측 값과 실제 값 차이의 평균 제곱 오차

이진 크로스엔트로피 - 이진로그손실. 이진 레이블 예측에 적합

범주형 크로스엔트로피 - 다중로그손실. 멀티레이블 예측게 적합, 소프트맥스 활성화에 대한 기본 선택

 

 

메트릭(Metrics)  - 목적함수와 차이점, 모델학습에 쓰지 않고 평가하는데만 사용

- Accuracy(정확도) : 타겟을 정확히 예측한 비율

- Precision(정밀도) : 긍정이라고 한 것 중 실제로 참인 비율

- Recall(재현율) : 맞는 예측 중에 긍정으로 예측한것이 실제 참인 비율

 

 

모델 컴파일 후 fit()

 - epochs 학습데이터 전체 살펴본 횟수

 - batch_size : 옵티마이저가 가중치 업데이트하기 전까지 살펴본 학습 데이터 수