이론시간 에 배웠던 Logistic Regression 을 한번더 살펴보면 다음과 같습니다!


아직 X의 크기가 정해지지 않았기 때문에 len을 입력합니다.


data 는 다음과 같습니다.

이 때 X0를 모두 1로 해준 이유는 b를 제거하기 위해서입니다.



코드는 다음과 같습니다. 


1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
import tensorflow as tf
import numpy as np
 
xy = np.loadtxt('train.txt',unpack=True, dtype = 'float32')
x_data = xy[0:-1]
y_data = xy[-1];
= tf.placeholder(tf.float32)
= tf.placeholder(tf.float32)
 
= tf.Variable(tf.random_uniform([1,len(x_data)],-1.0,1.0))
 
#Our hypothesis
= tf.matmul(W, X)
hypothesis = tf.div(1.1.+tf.exp(-h))
#cost function
cost = -tf.reduce_mean(Y*tf.log(hypothesis)) - (1-Y)*tf.log(1-hypothesis)
 
#Minimize
= tf.Variable(0.1)    #Learning rate, alpha
optimizer = tf.train.GradientDescentOptimizer(a)
train = optimizer.minimize(cost)
 
#Before starting, initialize the variables. We will 'run' this first.
init = tf.initialize_all_variables()
 
#Launch the graph.
sess = tf.Session()
sess.run(init)
 
#Fit the line.
for step in xrange(2001):
    sess.run(train, feed_dict = {X:x_data, Y:y_data})
    if step % 20 ==0:
        print step, sess.run(cost, feed_dict={X:x_data, Y:y_data}), sess.run(W)
 
print '---------------------------------------'
#study hour attendance
print sess.run(hypothesis, feed_dict = {X:[[1],[2],[2]]})>0.5
print sess.run(hypothesis, feed_dict={X:[[1],[5],[5]]})>0.5
 
print sess.run(hypothesis, feed_dict = {X:[[11], [43] ,[35]]})>0.5
 
cs


이 트레이닝 data 를 토대로 Ask to ML 을 해보도록 하겠습니다.

x1 = 5, x2 = 3 인사람이 통과할 수 있을까요?


1
2
3
4
5
6
7
print '---------------------------------------'
#study hour attendance
print sess.run(hypothesis, feed_dict = {X:[[1],[2],[2]]})>0.5
print sess.run(hypothesis, feed_dict={X:[[1],[5],[5]]})>0.5
 
print sess.run(hypothesis, feed_dict = {X:[[1,1][4,3],[3,5]]})>0.5
 
cs


다음과 같이 한명을 물어볼 수도, 벡터를 통해서 여러명을 물어볼 수도 있습니다!



이렇게 결과를 알 수 있습니다!

+ Recent posts