Python(Colab) 파이토치(Pytorch) + 논리 회귀 (다항)

1. 데이터 셋 설정

 

x_train = [[1,2,1,1],

           [2,1,3,2],

           [3,1,3,4],

           [4,1,5,5],

           [5,7,5,5],

           [6,2,5,6],

           [7,6,6,6],

           [8,7,7,7]

           ]

y_train =  [0,0,0,1,1,1,2,2]  #결과도 3개

x_train = torch.FloatTensor(x_train)

y_train = torch.LongTensor(y_train)

 

x_train.shape , y_train.shape

 

2. 모델 설정

model = nn.Sequential(

    nn.Linear(4,3)

)

# 4개 input 3개 output

print(model)

 

3. 학습하기

 

y_pred = model(x_train)

y_pred

 

 

4. 손실율 확인후 반복 학습

 

 

#🔴 다항 논리 회귀에서는 BCELoss() 대신에 CrossEntropyLoss()를 사용

# CrossEntropyLoss()는 소프트맥수 함수가 포함되어있다

# 클래스의 개수만큼 확률을 반환해준다.

 

loss = nn.CrossEntropyLoss()(y_pred,y_train)

loss

 

optimizer = optim.SGD(model.parameters(),lr=0.1)

 

epochs =1000

for epoch in range(epochs+1):

    y_pred = model(x_train)

    loss = nn.CrossEntropyLoss()(y_pred,y_train)

    optimizer.zero_grad()

    loss.backward()

    optimizer.step()

    if epoch % 100 == 0:

        print(f'Epoch{epoch}/{epochs} // Loss{loss:.6f}')

 

학습 후 기울기 확인

print(list(model.parameters()))

 

✔️CrossEntropyLoss(): Softmax()함수가 포함되어 있으며, 다항 논리 회귀에서 사용

 

5. 테스트 데이터 입력 후 확인

 

x_test= torch.FloatTensor([[1,2,5,6]])

y_pred = model(x_test)

y_pred

 

 

6. 수치를 Softmax()로 0~1사이로 최적화

 

y_prob = nn.Softmax(1)(y_pred)

y_prob

 

 

8. 결과치 확인

 

리스트가 두 번 쌓여있다 확인!

print(f'0일 확률 : {y_prob[0][0]:.2f}')

print(f'1일 확률 : {y_prob[0][1]:.2f}')

print(f'2일 확률 : {y_prob[0][2]:.2f}')