09_DL(Deep_Learning)
07_보스턴 집값 예측
chuuvelop
2025. 4. 24. 17:26
728x90
from tensorflow import keras
import pandas as pd
(x_train, y_train), (x_test, y_test) = keras.datasets.boston_housing.load_data()
x_train.shape, x_test.shape
((404, 13), (102, 13))
y_train.shape
(404,)
y_train[:5]
array([15.2, 42.3, 50. , 21.1, 17.7])
- 보스턴 집값 데이터 독립변수
- CRIM: 인구 1명당 범죄 발생 수
- ZN: 25,000평방 피트 이상의 주거 구역 비중
- INDUS: 소매업 외 상업이 차지하는 면적 비율
- CHAS: 찰스강 위치 변수(1: 강 주변, 0: 이외)
- NOX: 이산화질소 농도
- RM: 집의 평균 방 수
- AGE: 1940년 이전에 지어진 비율
- DIS: 5가지 보스턴 시 고용 시설까지의 거리
- RAD: 순환고속도로의 접근 용이성
- TAX: $10,000당 부동산 세율 총계
- PTRATIO: 지역별 학생과 교사 비율
- B: 지역별 흑인 비율
- LSTAT: 급여가 낮은 직업에 종사하는 인구 비율(%)
- 종속변수
- 가격(단위: $1,000)
type(x_train)
numpy.ndarray
train_df = pd.DataFrame(x_train)
train_df.head()
train_df.shape
(404, 13)
train_df.info()
<class 'pandas.core.frame.DataFrame'>
RangeIndex: 404 entries, 0 to 403
Data columns (total 13 columns):
# Column Non-Null Count Dtype
--- ------ -------------- -----
0 0 404 non-null float64
1 1 404 non-null float64
2 2 404 non-null float64
3 3 404 non-null float64
4 4 404 non-null float64
5 5 404 non-null float64
6 6 404 non-null float64
7 7 404 non-null float64
8 8 404 non-null float64
9 9 404 non-null float64
10 10 404 non-null float64
11 11 404 non-null float64
12 12 404 non-null float64
dtypes: float64(13)
memory usage: 41.2 KB
train_df.describe()
모델 설계
model = keras.Sequential()
#입력층
model.add(keras.Input(shape = (13,)))
# 은닉층1
model.add(keras.layers.Dense(32, activation = "relu"))
# 은닉층2
model.add(keras.layers.Dense(8, activation = "relu"))
# 출력층
model.add(keras.layers.Dense(1, activation = "linear"))
es_cb = keras.callbacks.EarlyStopping(patience = 8, restore_best_weights = True)
model.compile(optimizer = "adam", loss = "mean_squared_error",
metrics = ["r2_score", "root_mean_squared_error", "mean_absolute_error"])
model.summary()
model.fit(x_train, y_train, epochs = 200, validation_split = 0.2, callbacks = [es_cb],
batch_size = 32)
...
모델 성능 평가
model.evaluate(x_test, y_test)
[48.103546142578125, 0.4221366047859192, 6.935671806335449, 5.088674545288086]
model.predict(x_test[[0]])
array([[8.605511]], dtype=float32)
y_test[0]
7.2
y_pred = model.predict(x_test).flatten()
for i in range(10):
label = y_test[i]
prediction = y_pred[i]
print(f"실제 가격 : {label:.3f}, 예상 가격: {prediction:.3f}")
실제 가격 : 7.200, 예상 가격: 8.606
실제 가격 : 18.800, 예상 가격: 19.714
실제 가격 : 19.000, 예상 가격: 25.463
실제 가격 : 27.000, 예상 가격: 27.813
실제 가격 : 22.200, 예상 가격: 26.278
실제 가격 : 24.500, 예상 가격: 24.071
실제 가격 : 31.200, 예상 가격: 28.733
실제 가격 : 22.900, 예상 가격: 27.383
실제 가격 : 20.500, 예상 가격: 22.952
실제 가격 : 23.200, 예상 가격: 21.117728x90