[TensorFlow] 매출 예측하기 - 선형회귀 Linear Regression

[카테고리] TENSORFLOW

 

독일 빵집이라는 곳에서 영업시간에 따른 매출이 아래와 같다고 가정해보겠습니다.

영업시간	매출
1	9,500
2	11,000
3	19,500
4	28,000
5	42,500
6	51,000
7	60,000
8	75,000
9	86,500

그럼 10시간 영업했을때 매출은 얼마쯤 될까요?

선형회귀 모델을 구축하겠습니다.

 

가설 Hypothesis

H (Hypothesis): 가설
W (Weight): 기울기

b (bias): Y절편

 

머신러닝은 W와 b값을 계속 수정해나가면서 가장 합리적인 H 값을 찾는 과정입니다.

 

비용 Cost

가설이 얼마나 정확한지 판단하는 기준

 

비용은 직선과의 거리를 계산해서 구할수 있습니다.

 

비용함수 Cost Function

비용함수는 예측값에서 실제값을 뺀 제곱의 평균을 계산해서 구할수 있습니다.

경사하강 Gradient Descent

위 가설 Hypothesis 식에서 절편을 제거해서 식을 간단하게 만들어 줍니다.

비용함수는 위와 같이 되고, 아래와 같은 그래프로 표현할 수 있습니다.

 

미분과 기울기

미분을 이용해서 기울기를 구하게 됩니다.

곡선의 가장 깊은 골자기는 기울기가 0이 되고, 이때 가장 좋은 식이라 평가합니다.

즉 경사회귀는 곡선의 기울기를 타고 내려가서 기울기가 0이 되는 지점을 찾는 알고리즘입니다.

 

 

 

 

응용프로그램 > Python 3.7 > IDLE.app을 실행합니다.

File > New File을 실행합니다.

 

프로그램 작성 

import tensorflow as tf
dataX = [1, 2, 3, 4, 5, 6, 7, 8, 9]
dataY = [9500, 11000, 19500, 28000, 42500, 51000, 60000, 75000, 86500]
weight = tf.Variable(tf.random.uniform([1], -100, 100))
bias = tf.Variable(tf.random.uniform([1], -100, 100))
X = tf.compat.v1.placeholder(tf.float32)
Y = tf.compat.v1.placeholder(tf.float32)
hypothesis = weight * X + bias
cost = tf.reduce_mean(tf.square(hypothesis - Y))
jump = tf.Variable(0.01)
optimizer = tf.compat.v1.train.GradientDescentOptimizer(jump)
train = optimizer.minimize(cost)
init = tf.compat.v1.global_variables_initializer()
session = tf.compat.v1.Session()
session.run(init)

for i in range(5001):
    session.run(train, feed_dict={X: dataX, Y: dataY})
    if i % 500 == 0:
        print (i, session.run(cost, feed_dict={X: dataX, Y: dataY}), session.run(weight), session.run(bias))

print(session.run(hypothesis, feed_dict={X: [10]}))

## tensorflow 라이브러리를 import 하서 tf로 별칭한다.
import tensorflow as tf

## X측 데이터에 엽업시간을 입력한다.
dataX = [1, 2, 3, 4, 5, 6, 7, 8, 9]

## Y축 데이터를 매출을 입력한다.
dataY = [9500, 11000, 19500, 28000, 42500, 51000, 60000, 75000, 86500]

## 가설의 기울기(Weight: 가중치)를 -100 ~ 100의 랜덤값으로 넣어준다.
weight = tf.Variable(tf.random.uniform([1], -100, 100))

## y절편(bias: 치우침)을 -100 ~ 100의 랜덤값으로 넣어준다.
bias = tf.Variable(tf.random.uniform([1], -100, 100))

## X, Y placeholer(실제값) 설정
X = tf.compat.v1.placeholder(tf.float32)
Y = tf.compat.v1.placeholder(tf.float32)

## 가설(예측값)을 설정한다.
hypothesis = weight * X + bias

## 비용을 설정한다. (예측값 - 실제값)을 제곱해서 평균값을 산정한다. (-> 마이너스(-)가 나오지 않음)
cost = tf.reduce_mean(tf.square(hypothesis - Y))

## 경사하강 알고리즘에서 점프값을 설정한다.
jump = tf.Variable(0.01)

## 경사하강 라이브러리에 점프값을 넣어준다.
optimizer = tf.compat.v1.train.GradientDescentOptimizer(jump)

## 최소비용으로 학습할수 있도록 비용을 설정한다.
train = optimizer.minimize(cost)

## 변수초기화
init = tf.compat.v1.global_variables_initializer()

## 세션설정
session = tf.compat.v1.Session()

## 세션 초기화
session.run(init)

## 5000번 반복해서 학습시키기
for i in range(5001):
	
    ## dataX, dataY를 넣어서 학습시킨다.
    session.run(train, feed_dict={X: dataX, Y: dataY})
    
    ## 500번에 한번식 log를 출력한다.
    if i % 500 == 0:
    	## 출력값 (횟수, 값, 가중치(기울기), y절편)
        print (i, session.run(cost, feed_dict={X: dataX, Y: dataY}), session.run(weight), session.run(bias))

## 예측값을 주어 결과를 출력한다.
print(session.run(hypothesis, feed_dict={X: [10]}))

프로그램 실행

Run > Run Module 을 실행합니다.

10시간 영업 시 92,888.84 원의 매출을 올리는 것으로 예측합니다.

학습 초기에는 값의 변화가 크지만, 3000번 이상 학습을 하면 가중치 등 값의 변화가 거의 없는 것을 알 수 있습니다.