price_data_sample.csv 파일은 해당 글에 첨부되어있으니 다운로드하여 아래 프로그램 실행 위치에 두시면 됩니다.
바로 아래는 스샷 예제이고 해당 글 최하단에 동일 소스코드 있으니 참고바랍니다.
아래는 동일 소스 코드입니다.
####### 다변인 선형회귀 모델 개발 #######
# 텐서플로우와 넘파이 import
import tensorflow as tf
import numpy as np
# 엑셀 데이터를 읽어올 수 있도록 하기 위해 import
from pandas.io.parsers import read_csv
# 모델 초기화
model = tf.global_variables_initializer()
# csv 파일 읽어들여 data에 대입 ','를 토큰으로 하여 데이터를 분리하여 담는다.
# ( 해당 파일을 메모장으로 열어보면 ','를 기준으로 데이터들이 나열되어있기 때문 )
data = read_csv('price_data_sample.csv', sep=',')
# 행렬 형태로 해당 데이터를 xy에 대입
xy = np.array(data, dtype=np.float32)
#정상적으로 들어갔는지 확인 (중간 점검, 확인만 해보고 삭제할 것)
print(xy)
# xy 배열에서 모든 배열의 avgTemp, minTemp, maxTemp, rainFall 값을 x_data로 설정
# B, C, D, E 값을 가져옴
x_data = xy[:, 1:-1]
# xy 배열에서 모든 배열의 avgPrice 값을 y_data로 설정
# F 값을 가져옴
y_data = xy[:, [-1]]
# X는 총 4개의 열이 담길 수 있도록 설정
X = tf.placeholder(tf.float32, shape=[None, 4])
# X는 총 1개의 열이 담길 수 있도록 설정
Y = tf.placeholder(tf.float32, shape=[None, 1])
# 가중치 값 초기화
W = tf.Variable(tf.random_normal([4, 1]), name="weight")
# bias 값 초기화
b = tf.Variable(tf.random_normal([1]), name="bias")
# 선형 회귀의 경우 행렬의 곱 연산을 이용하여 결과식을 세울 수 있다
hypothesis = tf.matmul(X, W) + b
# 비용함수 : tensorflow에서 기본적으로 제공해주는 reduce_mean 사용
cost = tf.reduce_mean(tf.square(hypothesis - Y))
# 최적화 함수 : 경사하강법 : 학습률 0.000005로 세팅
optimizer = tf.train.GradientDescentOptimizer(learning_rate = 0.000005)
# cost를 최소화하는 최적값 계산
train = optimizer.minimize(cost)
# 세션 생성 및 초기화
sess = tf.Session()
sess.run(tf.global_variables_initializer())
# 10만번 트레이닝 진행
for step in range(100001):
hypo2, cost2, third = sess.run([hypothesis, cost, train], feed_dict={X: x_data, Y: y_data})
if step % 500 == 0:
print("#", step, "손실 비용: ", cost)
print("- 배추 가격: ", hypo2[0])
# 학습한 결과를 파일로 저장, 추후 저장된 모델을 언제든지 불러들여 사용할 수 있도록 함
saver = tf.train.Saver()
save_path = saver.save(sess, "./saved.cpkt")
print("학습된 모델을 저장하였습니다.")
이렇게하여 가지고 있는 데이터를 불러와 기계에게 학습을 시키고 그 결과로 만들어진 모델을 saved.cpkt 파일에 저장하였습니다.
다음 실습에서는 이렇게 저장된 모델을 불러들여 실제로 예측을 해보겠습니다.