이 문서는 Google Cloud Translation API를 사용해 자동 번역되었습니다.
어떤 문서는 원문을 읽는게 나을 수도 있습니다.
이 게시물에서는 TensorFlow.js 및 Node.js를 사용하여 로지스틱 회귀 모델을 빌드하는 방법을 알아봅니다.
로지스틱 회귀는 이진 결과를 예측하기 위한 통계적 방법입니다. 즉, 이벤트가 발생할지 여부를 예측하는 데 사용할 수 있습니다. 예를 들어 로지스틱 회귀를 사용하여 특정 특성을 기반으로 환자가 질병에 걸릴지 여부를 예측할 수 있습니다.
로지스틱 회귀는 일종의 선형 회귀이지만 몇 가지 중요한 차이점이 있습니다. 첫째, 결과 변수는 이진법입니다. 즉, 두 값(0 또는 1)만 사용할 수 있습니다. 둘째, 모델은 최소 제곱이 아닌 최대 우도 추정을 사용하여 적합합니다.
시작하려면 TensorFlow.js 및 Node.js를 설치해야 합니다. 다음 명령을 사용하여 이를 수행할 수 있습니다.
npm install -g tensorflow
npm install -g node
TensorFlow.js와 Node.js가 설치되면 logistic-regression.js라는 새 파일을 만들고 코딩을 시작할 수 있습니다.
첫 번째 단계는 데이터를 로드하는 것입니다. tensorflow.js 라이브러리를 사용하여 tf.tensor 개체에 데이터를 로드합니다.
const tf = require('tensorflow');
// Load the data
const data = tf.tensor([
[1, 2],
[2, 3],
[3, 4],
[4, 5],
]);
다음으로 모델을 정의해야 합니다. 두 개의 입력 기능(x1 및 x2)과 하나의 출력(y)이 있는 로지스틱 회귀 모델을 사용합니다.
// Define the model
const model = tf.sequential();
model.add(tf.layers.dense({ units: 1, inputShape: [2] }));
model.compile({ loss: 'binaryCrossentropy', optimizer: 'sgd' });
이제 데이터와 모델이 있으므로 모델을 교육할 수 있습니다. 우리는 fit 방법을 사용하여 데이터에 대해 모델을 훈련할 것입니다.
// Train the model
model.fit(data, tf.tensor([1, 1, 0, 0]), {
epochs: 10,
callbacks: {
onEpochEnd: (epoch, log) => {
console.log(`Epoch ${epoch}: loss = ${log.loss}`);
},
},
});
모델이 학습되면 모델을 사용하여 예측할 수 있습니다. predict 메서드를 사용하여 새 데이터의 출력을 예측합니다.
// Make predictions
model.predict(tf.tensor([[5, 6]])).print(); // [[0.5]]
model.predict(tf.tensor([[6, 7]])).print(); // [[0.5]]
보시다시피 모델은 두 입력 모두에 대해 출력을 0.5로 예측합니다. 이는 우리 모델이 이벤트 발생 확률을 50%로 예측하고 있음을 의미합니다.
이 게시물에서는 TensorFlow.js 및 Node.js를 사용하여 로지스틱 회귀 모델을 빌드하는 방법을 배웠습니다. 또한 모델을 사용하여 새 데이터에 대한 예측을 수행하는 방법도 살펴보았습니다.