텐서플로우로 머신러닝 하기(bmi 구하기)

텐서플로우로 머신러닝 하기

---

데이터 파일

bmi.csv

위에 첨부된 데이터 파일을 사용하면 된다.

import pandas as pd
import tensorflow as tf
import numpy as np

#hot cool encoding
label_zero = {"thin":[1,0,0],"normal":[0,1,0],"fat":[0,0,1]}

csv = pd.read_csv("bmi.csv")
#정규화
csv["label_pat"]= csv["label"].apply(lambda x :np.array(label_zero[x]))
csv["weight"] = csv["weight"].map(lambda x: x/100)
csv["height"] = csv["height"].map(lambda x:x/200)

x = tf.placeholder(tf.float32,[None,2],name="x")
#정답 값
y_ = tf.placeholder(tf.float32,[None,3],name="y")

#테스트 데이터 분류
test_csv = csv[15000:20000]
test_x = test_csv[["height","weight"]]
test_y = list(test_csv["label_pat"])

W = tf.Variable(tf.zeros([2,3]),name = "W")
b = tf.Variable(tf.zeros([3]),name="b")

sess = tf.Session()
sess.run(tf.global_variables_initializer())
#예측 값 #소프트 맥스 회귀  로지스틱 회귀 값을 바탕으로 예측 분류함 
y = tf.nn.softmax(tf.matmul(x,W)+b)
# 경사하강법을 통해 적절한 매개변수 찾는다. 
#오차 최소화
cross_entry = -tf.reduce_sum(y_*tf.log(y))
#학습률 0.03
optimizer = tf.train.GradientDescentOptimizer(0.03) 
train = optimizer.minimize(cross_entry)

#arg max 차원중 제일 수가 큰 인덱스 값을 반환한다. 
predict = tf.equal(tf.argmax(y,1) , tf.argmax(y_,1))
# 차원수를 줄여가며 평균을 구한다. 
accuracy = tf.reduce_mean(tf.cast(predict,tf.float32))

for step in range(3500):
    i = (step*100) % 15000
    rows = csv[i + 1:i+100]
    feed_x = rows[["height","weight"]]
    feed_y = list(rows["label_pat"])
    fd = {x:feed_x, y_ : feed_y}
    sess.run(train,feed_dict=fd)
    if step % 300 == 0:
        test_fd = {x:test_x, y_ : test_y}
        acc = sess.run(accuracy,feed_dict = test_fd)
        print("step = ",step,"acc= ",acc)

acc = sess.run(accuracy, feed_dict={x:test_x,y_:test_y})
print(acc)
print('키를 입력해주세요')
height = input()
print('몸무게를 입력해주세요!')
weight = input()

inputData = {"height":[int(height)/200],"weight":[int(weight)/100]}
inputData = pd.DataFrame(inputData)
answer = [[0,0,1]]
acc = sess.run(accuracy,feed_dict={x:inputData,y_:answer})
print(acc)