데이터 셋 분석 및 학습 비교(2) - 딥러닝이 필요한 이유와 단순(SoftMax Classification Model)적용

단순히 학습모델을 정해 놓고 테스트를 돌려보는 것은 의미가 없다..

 

진짜 딥러닝이 왜 필요한지를 알고 시작하는 것이 중요하다고 생각한다..

 

일단 단순히 SVM(SVC) 서포트 벡터 머신(support vector machine)으로 데이터 셋을 분류해 보았다.

 

svc를 적용 소스코드

5~6행 : Fashion MNIST 데이터 셋 LOAD

9~10행 : X_train (60000, 784), X_test (10000, 784)으로 Reshape

12~14행 : Train alc Test 실행

정확도 결과

분석 결과 DashBoard(89.7%)(VGGnet을 돌렸을 때) 보다 다소 낮은 정확도를 보인다. (88%) 얼마 차이는 안나지만...

 

즉, 이차이를 통해서 우리는 두가지를 알 수 있다.

데이터 전처리의 차이와 sklearn SVM의 성능 차이이다. 여기서 우리는 머신러닝 모델의 한계를 느끼고, 분류 성능이 부족함을 알 수 있다.

 

즉 다시말하면.... 분류 성능이 뛰어난 딥러닝 모델이 필요하다!

 

자, 간단한 학습모델부터 적용해보자!! 처음 적용할 모델은 "SoftMax Classification Model"이다

 

이 모델은

Layer 2개의 가벼운 모델이며,

최적화 함수: Adam

활성화함수 : Softmax

손실함수 : Crossentropy

Epoch : 100

Batch_size : 1000 으로 테스트를 진행했다.

레이어에 적용한 파라미터 값

각 레이어 정보

 

 

 

 

결과는 다음과 같이 나왔다.

학습결과

예상대로 (84.69%)로 낮은 정확도를 보인다....

즉, 이것으로 모델의 깊이가 얕다는 것을 증명할 수 있다. 우리는 더 깊고 섬세한 학습모델을 적용해야한다....