기본 콘텐츠로 건너뛰기

R을 이용해 간단한 신경망 만들기 (7)




 R에는 인공 신경망이나 서포트 벡터 머신 등 여러 가지 머신 러닝 기법을 사용할 수 있는 패키지가 나와 있습니다. 데이터 및 통계 분석과 이들이 매우 밀접한 관계를 지니고 있기 때문이죠. 물론 인공지능에서 가장 인기가 좋은 파이선이라는 경쟁자가 있지만, 데이터 분석 및 통계 분석에 최적화된 R 역시 만만치 않은 상대입니다. 


 이번에는 nnet 패키지를 이용해서 간단한 신경망을 만들어 보겠습니다. nnet은 연속 변수가 아니라 범주형 데이터에 대해서도 다른 별도의 작업 없이 간단하게 분류할 수 있으므로 역시 널리 사용되는 패키지입니다. 뉴럴넷과 마찬가지로 싱글 쓰레드로 작업하며 GPU는 사용하지 않는 최근 기준으로 보면 상당히 단순한 패키지입니다. 하지만 신경망의 기능을 이해하는데는 이렇게 비교적 단순한 쪽이 큰 도움이 될 것입니다. 


 우선 nnet 패키지를 이용해서 iris 데이터를 분류해 보겠습니다. 이 데이터는 붓꽃의 형태에 따른 분류 데이터로 워낙 유명한 데이터라 기본 예제로 항상 등장하곤 합니다. 


require(nnet)

nn <- data="iris," nnet="" pecies="" size="3) </span">
predict(nn, newdata=iris, type="class")


 매우 단순한 방식으로 3개의 은닉층 (size로 지정) 을 지닌 신경망을 만들어봤습니다. nnet (포뮬라, 데이터, 은닉층의 수)가 가장 기본적인 형태이며 예측은 predict(학습시킨 신경망, 테스트할 데이터)가 기본 예측 형태입니다. 그리고 범주형 데이터라는 점을 알려주기 위해 type = "class"라고 지정해 주어야 합니다. 




 이 신경망은 범주형 자료라도 문제 없이 잘 분류하고 있습니다. 앞서 피마 인디언 데이터를 nnet을 이용해서 분석해 보겠습니다. 


library(mlbench)

data(PimaIndiansDiabetes)
pima <- pimaindiansdiabetes="" span="">

pima<-pima age="" c="" diabetes="" glucose="" mass="" pedigree="" pregnant="" pressure="" span="">
pima=subset(pima,glucose>0)
pima=subset(pima,pressure>0)
pima=subset(pima,mass>0)

set.seed(1234)

data1<-scale c="" pima="" span="">
data2<-pima c="" span="">
data=cbind(data1,data2)
data<-data .frame="" data="" span="">
data$data2<-as .factor="" data2="" data="" span="">


 마지막에 연속형 변수가 아니라 범주형 변수라는 점을 인식하기 위해 as.factor를 사용한 점에 주목해야 합니다. 문자가 아니라 숫자형인 경우 연속 변수로 잘못 이해할 수 있습니다. 


n = nrow(data)
train <- 600="" n="" sample="" span="">
test <- data="" span="" train="">
train <- data="" span="" train="">

nn <- data2="" data="train," nnet="" size="4) </span">
nn
data3<-predict nn="" span="" test="" type="class">
test=cbind(test,data3)
test

test$pred<-ifelse data2="=test$data3,1,0)</span" test="">
table(test$pred)
sum(test$pred)/124


 이번에는 4개의 뉴런을 지닌 신경망을 만든 후 그 결과를 data3라는 변수로 저장했습니다. 그리고 맞게 예측한 경우가 얼마나 되는지 보기 위해 test$pred<-ifelse 0="" 1="" data2="=test$data3,1,0)를" nbsp="" span="" test="">


> table(test$pred)

 0  1 
37 87 
> sum(test$pred)/124
[1] 0.7016129


 맞게 예측한 경우가 70% 이상으로 뉴럴넷 보다 더 좋은 것 같습니다. 물론 코드도 단순하고 해보면 알겠지만, 속도도 빠릅니다. 뉴런을 세 개로 만들면 어떨까요? 


> test$pred<-ifelse data2="=test$data3,1,0)</span" test="">
> table(test$pred)

 0  1 
34 90 
> sum(test$pred)/124
[1] 0.7258065

 맞게 분류한 경우가 72.6%로 더 높아졌습니다. 

 nnet 역시 여러 가지 옵션을 제공할 수 있습니다. 다음에 이를 좀 더 알아보겠습니다. 

댓글

이 블로그의 인기 게시물

통계 공부는 어떻게 하는 것이 좋을까?

 사실 저도 통계 전문가가 아니기 때문에 이런 주제로 글을 쓰기가 다소 애매하지만, 그래도 누군가에게 도움이 될 수 있다고 생각해서 글을 올려봅니다. 통계학, 특히 수학적인 의미에서의 통계학을 공부하게 되는 계기는 사람마다 다르긴 하겠지만, 아마도 비교적 흔하고 난감한 경우는 논문을 써야 하는 경우일 것입니다. 오늘날의 학문적 연구는 집단간 혹은 방법간의 차이가 있다는 것을 객관적으로 보여줘야 하는데, 그려면 불가피하게 통계적인 방법을 쓸 수 밖에 없게 됩니다. 이런 이유로 분야와 주제에 따라서는 아닌 경우도 있겠지만, 상당수 논문에서는 통계학이 들어가게 됩니다.   문제는 데이터를 처리하고 분석하는 방법을 익히는 데도 상당한 시간과 노력이 필요하다는 점입니다. 물론 대부분의 학과에서 통계 수업이 들어가기는 하지만, 그것만으로는 충분하지 않은 경우가 많습니다. 대학 학부 과정에서는 대부분 논문 제출이 필요없거나 필요하다고 해도 그렇게 높은 수준을 요구하지 않지만, 대학원 이상 과정에서는 SCI/SCIE 급 논문이 필요하게 되어 처음 논문을 작성하는 입장에서는 상당히 부담되는 상황에 놓이게 됩니다.  그리고 이후 논문을 계속해서 쓰게 될 경우 통계 문제는 항상 나를 따라다니면서 괴롭히게 될 것입니다.  사정이 이렇다보니 간혹 통계 공부를 어떻게 하는 것이 좋겠냐는 질문이 들어옵니다. 사실 저는 통계 전문가라고 하기에는 실력은 모자라지만, 대신 앞서서 삽질을 한 경험이 있기 때문에 몇 가지 조언을 해줄 수 있을 것 같습니다.  1. 입문자를 위한 책을 추천해달라  사실 예습을 위해서 미리 공부하는 것은 추천하지 않습니다. 기본적인 통계는 학과별로 다르지 않더라도 주로 쓰는 분석방법은 분야별로 상당한 차이가 있을 수 있어 결국은 자신이 주로 하는 부분을 잘 해야 하기 때문입니다. 그러기 위해서는 학과 커리큘럼에 들어있는 통계 수업을 듣는 것이 더 유리합니다. 잘 쓰지도 않을 방법을 열심히 공부하는 것은 아무래도 효율

R 스튜디오 설치 및 업데이트

 R을 설치한 후 기본으로 제공되는 R 콘솔창에서 코드를 입력해 작업을 수행할 수도 있지만, 보통은 그렇게 하기 보다는 가장 널리 사용되는 R 개발환경인 R 스튜디오가 널리 사용됩니다. 오픈 소스 무료 버전의 R 스튜디오는 누구나 설치가 가능하며 편리한 작업 환경을 제공하기 때문에 R을 위한 IDE에서 가장 널리 사용되어 있습니다. 아래 링크에서 다운로드 받습니다.    https://www.rstudio.com/  다운로드 R 이나 혹은 Powerful IDE for R로 들어가 일반 사용자 버전을 받습니다. 오픈 소스 버전과 상업용 버전, 그리고 데스크탑 버전과 서버 버전이 있는데, 일반적으로는 오픈 소스 버전에 데스크탑 버전을 다운로드 받습니다. 상업 버전의 경우 데스크탑 버전의 경우 년간 995달러, 서버 버전은 9995달러를 받고 여러 가지 기술 지원 및 자문을 해주는 기능이 있습니다.   데스크탑 버전을 설치하는 과정은 매우 쉽기 때문에 별도의 설명이 필요하지 않을 것 같습니다. 인스톨은 윈도우, 맥, 리눅스 (우분투/페도라)에 따라 설치 파일이 나뉘지만 설치가 어렵지는 않을 것입니다. 한 가지 주의할 점이라면 R은 사전에 반드시 따로 설치해야 한다는 점입니다. R 스튜디오만 단독 설치하면 아무것도 할 수 없습니다. 뭐 당연한 이야기죠.   설치된 R 스튜디오는 자동으로 업데이틀 체크하지 않습니다. 따라서 업데이트를 위해서는 R 스튜디오에서 Help 로 들어가 업데이트를 확인해야 합니다.     만약 업데이트 할 내용이 없다면 최신 버전이라고 알려줄 것이고 업데이트가 있다면 업데이트를 진행할 수 있도록 도와주게 됩니다. R의 업데이트와 R 스튜디오의 업데이트는 모두 개별적이며 앞서 설명했듯이 R 업데이트는 사실 기존 버전과 병행해서 새로운 버전을 새롭게 설치하는 것입니다. R 스튜디오는 실제로 업데이트가 이뤄지기 때문에 구버전을 지워줄 필요는

R 패키지 설치 및 업데이트 오류 (1)

 R 패키지를 설치하거나 업데이트 하다보면 여러 가지 문제가 생기는 경우들이 있습니다. 이 경우 아예 R을 재설치하는 것도 방법이지만, 어떤 경우에는 이렇게해도 해결이 안되고 계속해서 사용자는 괴롭히는 경우도 있습니다. 이런 경우 중 하나를 소개합니다.  새로운 패키지를 설치, 혹은 업데이트 하는 과정에서 같이 설치하는 패키지 중 하나가 설치가 되지 않는다는 메세지가 계속 나왔는데, 사실은 백신 프로그램 때문이었던 경우입니다.   dplyr 패키지를 업데이트 하려고 했는데, 제대로 되지 않아 다시 설치를 진행했습니다. 그런데 일부 패키지가 제대로 설치되지 않는다는 메세지가 나왔습니다.  > install.packages("dplyr") Error in install.packages : Updating loaded packages > install.packages("dplyr") Installing package into ‘C:/Users/jjy05_000/Documents/R/win-library/3.4’ (as ‘lib’ is unspecified) also installing the dependencies ‘bindr’, ‘bindrcpp’, ‘Rcpp’, ‘rlang’, ‘plogr’ trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindr_0.1.1.zip ' Content type 'application/zip' length 15285 bytes (14 KB) downloaded 14 KB trying URL ' https://cran.rstudio.com/bin/windows/contrib/3.4/bindrcpp_0.2.2.zip ' Content type 'application/zip' length 620344 b