02. 선형 회귀(단항, 다중) | 경사하강법

1. 단항 선형 회귀 실습

* 한 개의 입력이 들어가서 한 개의 출력이 나오는 구조

 

 

• import

import torch # 오픈 소스 기계 학습 라이브러리 모듈         import torch.nn as nn # nn 이란? 인경신경망을 구현하기 위한 도구와 모듈제공         import torch.optim as optim # optim 이란 다양한 최적화 알고리즘 구현         import matplotlib.pyplot as plt

 

 

• 가격을 생성할 때 랜덤한 수 생성

# 파이썬 코드를 재실행해도 같은 결과가 나올 수 있도록 랜덤시드를 설정         torch.manual_seed(2024)

 

 

 

• 데이터 직접 만들기

# 1차원 텐서를 생성 / 텐서란? 다차원 배열을 나타내는 데이터 구조           ( 기본적으로 숫자데이터를 저장하고 다양한 수학적 연산을 수행)         X_train = torch.FloatTensor([[1],[2],[3]])  # 1,2,3을 실수 형태로 저장         y_train = torch.FloatTensor([[2],[4],[6]])  # 2,4,6을 실수 형태로 저장         print(X_train)         print(X_train.shape)         print(y_train)         print(y_train.shape)

 

 

• 산점도 그리기

# 산점도 그림       # x_train x축에 해당하는 입력 데이터 ,y_train y축에 해당하는 목표 변수(타깃)       plt.figure(figsize = (6, 4))       plt.scatter(X_train, y_train)

 

• 머신러닝 모델 만들기

# 직선의 방정식 y = wx + b         model = nn.Linear(1, 1) # 데이터를 하나 넣으면 하나 출력         print(model)

Linear(in_features=1, out_features=1, bias=True)

 

 

 

• 예측선 긋기

# 예측선 긋기       y_pred = model(X_train)       print(y_pred)

tensor([[0.7260],         [0.7894],         [0.8528]], grad_fn=<AddmmBackward0>)

 

 

• 예측한 기울기와 절편 확인

# 기울기와 바이어스       # 학습전이라 임의의 값으로 설정됨       list(model.parameters())       # W: 0.0634, b: 0.6625       # y = 0.0634 + 6625       # x=1, 0.0634 + 0.6625 = 0.7259       # x=2, (0.0634*2) + 0.6625 = 0.7893

[Parameter containing:  tensor([[0.0634]], requires_grad=True),  Parameter containing:  tensor([0.6625], requires_grad=True)]

 

 

• MSE(Mean Squared Error, 평균 제곱 오차)를 계산
  신경망의 예측값 실제 타겟 값 간의 차이를 제곱한 후 평균

# MSE 값         ((y_pred - y_train) ** 2).mean()         # 예측값 - 실제값, 제곱하기, 평균내기

tensor(12.8082, grad_fn=<MeanBackward0>)

 

 

 

• 손실 함수: 예측값과 실제값이 얼마나 차이가 나는지를 측정

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

tensor(12.8082, grad_fn=<MseLossBackward0>)

 

 

2. 경사하강법

* 비용 함수의 값을 최소로 하는 w 와 b를 찾는 알고리즘을 옵티마이저 알고리즘이라고 함 (최적화 알고리즘)
* "옵티마이저 알고리즘" 중 가장 기본적인 기술이 경사하강법
* 옵티마이저 알고리즘을 통해 w와 b를 찾아내는 과정을 "학습"이라고 부름
* 학습률(Learning rate) : 한번 W를 움직이는 거리 (increment strp)

 

• 객체 생성

# SGD(Stochasitc Gradient Desert)       # 랜덤하게 데이터를 하나씩 뽑아서 loss를 만듦       # 데이터를 뽑고 다시 데이터에 넣고를 반복       # 빠르게 방향을 결정       # 학습률(Learning rate): 한 번 움직이는 거리(increment step)       optimizer = optim.SGD(model.parameters(), lr=0.01)

 

 

• 선형 회귀

# 손실 함수를 계산         loss = nn.MSELoss()(y_pred, y_train)         # gradient를 초기화         optimizer.zero_grad()         # 역전파 : 비용함수를 미분하여 gradient(기울기) 재계산         loss.backward() # 미분을 취해서 기울기와 절편을 새롭게 찾아냄         # W와 b를 업데이트         optimizer.step()         print(list(model.parameters()))         # W: [[-0.2177]] b:[0.7267]

[Parameter containing: tensor([[0.2177]], requires_grad=True), Parameter containing: tensor([0.7267], requires_grad=True)]

 

 

• 모델을 학습시키기

# 반복학습을 통해 오차가 있는 W, b를 수정하면서 오차를 계속 줄여나감         # epochs: 반복학습횟수(에포크)         epochs = 1000         for epoch in range(epochs + 1):           y_pred = model(X_train)           loss = nn.MSELoss()(y_pred, y_train)           optimizer.zero_grad()           loss.backward()           optimizer.step()           if epoch % 100 == 0:             print(f'Epoch {epoch}/{epoch} Loss: {loss:.6f}')

Epoch 0/1000 Loss: 0.000000 Epoch 100/1000 Loss: 0.000000 Epoch 200/1000 Loss: 0.000000 Epoch 300/1000 Loss: 0.000000 Epoch 400/1000 Loss: 0.000000 Epoch 500/1000 Loss: 0.000000 Epoch 600/1000 Loss: 0.000000 Epoch 700/1000 Loss: 0.000000 Epoch 800/1000 Loss: 0.000000 Epoch 900/1000 Loss: 0.000000 Epoch 1000/1000 Loss: 0.000000

• 주석

# 에포크 수 설정           epochs = 1000           # 에포크 반복문 시작           for epoch in range(epochs + 1):               # 모델을 사용하여 훈련 데이터(X_train)에 대한 예측 값(y_pred) 계산               y_pred = model(X_train)                             # 예측 값(y_pred)과 실제 값(y_train) 간의 평균 제곱 오차(MSE) 손실 계산               loss = nn.MSELoss()(y_pred, y_train)                             # 옵티마이저의 기울기(gradient) 초기화               optimizer.zero_grad()                             # 손실에 대한 그래디언트 계산(역전파)               loss.backward()                             # 옵티마이저를 사용하여 모델 파라미터 업데이트               optimizer.step()                             # 100번째 에포크마다 현재 에포크와 손실 값을 출력               if epoch % 100 == 0:                   print(f'Epoch {epoch}/{epochs} Loss: {loss:.6f}')

 

 

• 예측한 기울기와 절편 확인

# parameter은 nn.module 클래스 방법( 모델이 가능한 확률을 반환하는 기여를 함)           print(list(model.parameters()))           # W :1.9499  b: 0.1138

[Parameter containing: tensor([[1.9499]], requires_grad=True), Parameter containing: tensor([0.1138], requires_grad=True)]

 

• 입력 데이터 x_test에 대한 예측값 y_pred를 출력

x_test = torch.FloatTensor([[5]])       y_pred = model(x_test)       print(y_pred)

tensor([[9.8635]], grad_fn=<AddmmBackward0>)

 

 

3. 다중 선형 회귀 

여러 개의 입력이 들어가서 한 개의 출력이 나오는 구조

 

 

• X_train과 y_train이라는 두 개의 텐서를 정의하고, 이들의 값을 출력

X_train = torch.FloatTensor([[73, 80, 75],                                                        [93, 88, 93],                                                        [89, 91, 90],                                                        [96, 98, 100],                                                        [73, 66, 70],])                              y_train = torch.FloatTensor([[150], [190], [180], [200], [130]])           print(X_train, X_train.shape)           print(y_train, y_train.shape)

tensor([[ 73.,  80.,  75.],         [ 93.,  88.,  93.],         [ 89.,  91.,  90.],         [ 96.,  98., 100.],         [ 73.,  66.,  70.]]) torch.Size([5, 3]) tensor([[150.],         [190.],         [180.],         [200.],         [130.]]) torch.Size([5, 1])

X_train 정의: X_train은 입력 데이터(features)입니다. 5개의 샘플(sample)로 구성되어 있으며, 각 샘플은 3개의 특성(feature)을 가지고 있습니다. y_train 정의: y_train은 타겟 값(labels) 또는 출력 값입니다. 각 샘플에 대해 하나의 타겟 값을 가지고 있습니다.

 

• 선형 회귀 모델 정의
  입력 변수가 3개인 경우에 대해 각 변수에 대한 가중치를 학습하여 예측값을 계산

# y = W1x1 + W2x2 + W3x3 + b         model = nn.Linear(3,1)         print(model)

Linear(in_features=3, out_features=1, bias=True)

입력 차원이 3이고 출력 차원이 1인 선형 회귀 모델을 정의 합니다.

 

 

• 최적화 함수 정의

# 확률적 경사 하강법         optimizer = optim.SGD(model.parameters(),lr=0.00001)

optim.SGD는 확률적 경사 하강법(SGD, Stochastic Gradient Descent) 최적화 알고리즘을 사용하겠다는 뜻입니다. model.parameters()는 모델의 학습 가능한 매개변수들(가중치와 편향)을 반환합니다. lr=0.00001은 학습률(learning rate)을 0.00001로 설정합니다. 학습률은 모델이 얼마나 빠르게 또는 천천히 최적화되는지를 결정하는 중요한 하이퍼파라미터입니다.

 

 

 

• 선형 회귀 모델을 학습하는 과정

#학습         epochs = 10000         for epoch in range(epochs + 1):           y_pred = model(X_train)           loss = nn.MSELoss()(y_pred, y_train)           optimizer.zero_grad()           loss.backward()           optimizer.step()           if epoch % 100 == 0:             print(f'Epoch {epoch}/{epoch} Loss: {loss:.6f}')

Epoch 0/0 Loss: 38561.125000 Epoch 100/100 Loss: 43.880661 Epoch 200/200 Loss: 43.343727 Epoch 300/300 Loss: 42.829872 Epoch 400/400 Loss: 42.337685 ......... Epoch 9500/9500 Loss: 27.417210 Epoch 9600/9600 Loss: 27.343838 Epoch 9700/9700 Loss: 27.270786 Epoch 9800/9800 Loss: 27.198359 Epoch 9900/9900 Loss: 27.126339 Epoch 10000/10000 Loss: 27.054819 * Epoch 높아질수록 Loss 낮아짐!!

• 주석

# 학습           epochs = 10000  # 총 학습 에포크 수를 10000으로 설정           for epoch in range(epochs + 1):  # 0부터 10000까지 반복               y_pred = model(X_train)  # 모델에 학습 데이터셋을 입력하여 예측값 계산               loss = nn.MSELoss()(y_pred, y_train)  # 예측값과 실제 값 사이의 손실(평균 제곱 오차) 계산               optimizer.zero_grad()  # 역전파 이전에 기울기 초기화               loss.backward()  # 손실 값에 대해 역전파를 수행하여 기울기 계산               optimizer.step()  # 기울기를 사용하여 모델의 매개변수 업데이트               if epoch % 100 == 0:  # 에포크가 100의 배수일 때마다 손실 값 출력                   print(f'Epoch {epoch}/{epochs} Loss: {loss:.6f}')

학습 반복 횟수 설정: 모델을 학습할 총 에포크(epoch) 수를 10000으로 설정합니다. 에포크는 전체 데이터셋을 한 번 학습하는 단위를 의미합니다. 학습 루프: for epoch in range(epochs + 1)는 0부터 10000까지의 숫자(총 10001번)를 반복합니다. 예측값 계산: X_train을 모델에 입력하여 예측값(y_pred)을 계산합니다. X_train은 학습 데이터셋의 입력입니다. 손실 계산: nn.MSELoss()는 평균 제곱 오차(MSE, Mean Squared Error) 손실 함수를 정의합니다. y_pred(모델의 예측값)와 y_train(실제 값)을 비교하여 손실 값을 계산합니다. 기울기 초기화: 역전파(backpropagation)를 통해 가중치를 업데이트하기 전에, 기존의 기울기를 초기화합니다. 이는 이전 배치(batch)의 기울기가 현재 배치에 누적되지 않도록 하기 위함입니다. 역전파 수행: 손실 값에 대해 역전파를 수행하여 모델의 매개변수들에 대한 기울기를 계산합니다. 가중치 업데이트: 계산된 기울기를 사용하여 모델의 가중치를 업데이트합니다. 손실 출력: 에포크가 100의 배수일 때마다 현재 에포크 번호와 손실 값을 출력합니다. 이를 통해 학습 과정을 모니터링할 수 있습니다. 전체 코드는 선형 회귀 모델을 10000번 반복 학습하며, 각 반복마다 손실을 계산하고, 기울기를 통해 모델의 매개변수를 업데이트합니다. 100번마다 현재 학습 상태(에포크 번호와 손실 값)를 출력하여 학습이 제대로 진행되고 있는지 확인할 수 있습니다.

 

 

•  모델의 가중치와 편향을 출력

print(list(model.parameters())) # W : [0.3478, 0.6414, 1.0172]

[Parameter containing: tensor([[0.3478, 0.6414, 1.0172]], requires_grad=True), Parameter containing: tensor([-0.2856], requires_grad=True)]

model의 학습 가능한 모든 매개변수들을 리스트로 변환하고 출력합니다. nn.Linear(3, 1) 모델은 3개의 입력과 1개의 출력을 가지므로, 가중치 행렬 W는 (1, 3) 형태이고, 편향 b는 (1,) 형태입니다. 입력 변수(x1, x2, x3)에 해당하는 가중치(W1, W2, W3)를 나타냅니다. 여기서 0.3478, 0.6414, 1.0172는 각각 W1, W2, W3에 해당합니다.

• 결과(쌤)

 

 

• 선형 회귀 모델을 사용하여 새로운 입력 데이터 x_test에 대한 예측값을 계산

# 93,93,93 일때 185 나오면 맞음         x_test = torch.FloatTensor([[93, 93, 93]])         y_pred=model(x_test)         print(y_pred)

tensor([[186.3026]], grad_fn=<AddmmBackward0>)

새로운 입력 데이터 x_test를 정의합니다. torch.FloatTensor는 실수형 텐서를 생성하는 PyTorch 함수입니다. 이 예제에서는 세 개의 입력값이 모두 93인 하나의 샘플을 입력 데이터로 사용하고 있습니다. x_test의 형태는 (1, 3)입니다. 즉, 하나의 샘플이 3개의 특성값(93, 93, 93)을 가지고 있습니다.

• 결과(쌤)

 

 

4. temp 데이터 활용하기

기온 데이터

 

• 과제 (단항 선형 회귀)

 

temps.csv

0.30MB

 

 

• import

import pandas as pd

 

 

• 데이터 인코딩하면서 가져오기

df = pd.read_csv('/content/drive/MyDrive/1. KDT/6. 머신러닝 딥러닝/데이터/temps.csv', encoding='ms949' )           df.head()

 

 

 

• null 값 삭제

df.isnull().mean()         df = df.dropna()         df.isnull().mean()

 

• [ '기온(°C)'  ]과 [ '지면온도(°C)' ]을 추출하여 PyTorch 텐서로 변환

x_data = df[['기온(°C)']]         y_data = df[['지면온도(°C)']]         x_data = torch.FloatTensor(x_data.values)         y_data = torch.FloatTensor(y_data.values)         print(x_data.shape)         print(y_data.shape)

torch.Size([8779, 1]) torch.Size([8779, 1])

 

 

• 텐서의 내용 출력

x_data         y_data

tensor([[-8.7000],         [-7.3000],         [-6.7000],         ...,         [-7.3000],         [-9.0000],         [-9.2000]]) ----------------------------- tensor([[-2.9000],         [-2.4000],         [-2.2000],         ...,         [-1.2000],         [-1.5000],         [-1.2000]])

 

 

• 산점도(Scatter plot)를 그리기

plt.figure(figsize=(8, 6))         plt.scatter(x_data, y_data)

 

 

 

• 1차원 입력과 1차원 출력을 가지는 선형 회귀 모델을 정의
  확률적 경사 하강법(SGD) 옵티마이저를 설정
  모델의 초기 가중치와 편향을 출력

model = nn.Linear(1, 1)         optimizer = torch.optim.SGD(model.parameters(), lr=0.001)         print(list(model.parameters())) # W: -0.5700, b: 0.2403

[Parameter containing: tensor([[-0.5700]], requires_grad=True), Parameter containing: tensor([0.2403], requires_grad=True)]

 

 

• 선형 회귀 모델 학습

epochs = 10000         for epoch in range(epochs + 1):             y_pred = model(x_data)             loss = nn.MSELoss()(y_pred, y_data)             optimizer.zero_grad()             loss.backward()             optimizer.step()             if epoch % 100 == 0:                 print(f'Epoch: {epoch}/{epochs} Loss: {loss:.6f}')

Epoch: 0/10000 Loss: 727.285767 Epoch: 100/10000 Loss: 13.042105 Epoch: 200/10000 Loss: 13.029263 Epoch: 300/10000 Loss: 13.018347 Epoch: 400/10000 Loss: 13.009065 Epoch: 500/10000 Loss: 13.001172 Epoch: 600/10000 Loss: 12.994462 Epoch: 700/10000 Loss: 12.988756 Epoch: 800/10000 Loss: 12.983907 Epoch: 900/10000 Loss: 12.979782 Epoch: 1000/10000 Loss: 12.976276 Epoch: 1100/10000 Loss: 12.973297 Epoch: 1200/10000 Loss: 12.970764 ............... Epoch: 9300/10000 Loss: 12.956378 Epoch: 9400/10000 Loss: 12.956378 Epoch: 9500/10000 Loss: 12.956379 Epoch: 9600/10000 Loss: 12.956379 Epoch: 9700/10000 Loss: 12.956379 Epoch: 9800/10000 Loss: 12.956379 Epoch: 9900/10000 Loss: 12.956379 Epoch: 10000/10000 Loss: 12.956379

 

 

 

• 학습이 진행된 후의 선형 회귀 모델의 파라미터(가중치 W와 편향 b) 값을 출력

list(model.parameters()) # W: 1.0854, b: 0.8199

[Parameter containing:  tensor([[1.0854]], requires_grad=True),  Parameter containing:  tensor([0.8198], requires_grad=True)]

 

 

• 입력 데이터 x_data에 대한 예측값을 계산하고, 이 값을 NumPy 배열로 변환하여 출력

y_pred = model(x_data).detach().numpy()       y_pred

array([[-8.623071],        [-7.103529],        [-6.452296],        ...,        [-7.103529],        [-8.948688],        [-9.165765]], dtype=float32)

• 데이터 포인트와 학습된 모델에 의한 예측 포인트를 포함하는 산점도 그리기

plt.figure(figsize=(8, 6))         plt.scatter(x_data, y_data)         plt.scatter(x_data, y_pred)

 

 

• 새로운 입력 데이터에 대한 예측값을 계산

result = model(torch.FloatTensor([[26]]))         result

tensor([[29.0399]], grad_fn=<AddmmBackward0>)

torch.FloatTensor([[26]])는 입력 데이터를 텐서 형식으로 정의합니다. 여기서는 입력값 26을 가진 1차원 텐서입니다. model()은 이 입력 데이터를 사용하여 모델에 전달합니다. model은 이미 학습된 선형 회귀 모델로 가정합니다. 따라서 result는 모델이 입력 26에 대해 예측한 결과값을 포함하는 텐서입니다. 이 예측값은 해당 모델이 기온이 26°C일 때 지면온도가 29 °C 로 예측했습니다.