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. 
라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

벨 V-280 Valor 시험 비행 성공

( The V-280 Valor flew for the first time at Bell Helicopter's Amarillo Assembly Center in Texas(Credit: Bell Helicopter/YouTube) )  앞서 소개드린 V-280 발러가 첫 번째 비행 테스트에 성공했다는 소식입니다. V-22 오스프리의 소형화 버전이라고 할 수 있는 V-280 발러는  미 육군의 차세대 헬기 사업인 Future Vertical Lift (FVL)에 입찰을 시도하는 틸트로터기로 현재 미 육군이 주력으로 사용하는 블랙호크 헬기와 비슷한 체급입니다. 다만 틸트로터기인 만큼 최고 속도나 항속 거리면에서 더 유리합니다. 스펙은 이전 포스트를 참조해 주시기   이전 포스트:  https://blog.naver.com/jjy0501/221115245986  (동영상)   V-280 발러는 틸트로터기의 더 대중화 될 수 있을지를 검증하는 중요한 무대가 될 것입니다. V-22 오스프리의 경우 복잡한 구조로 인해 가격이 너무 비싸져서 사실 미국은 몰라도 그 동맹국에 널리 도입되기는 어려운 부분이 있습니다. V-280 역시 가격이 아주 저렴할 것 같지는 않지만, 좀 더 합리적인 대안은 될 수 있을 것 같습니다. 만약 성공적인 결과가 나오면 한국을 포함한 미국의 동맹국에서 도입을 검토할 수 있을지 모르겠다는 생각입니다.   참고  https://newatlas.com/bell-v-280-valor-maiden-flight/52663/
댓글 쓰기
자세한 내용 보기

세상에서 가장 큰 벌

( Wallace's giant bee, the largest known bee species in the world, is four times larger than a European honeybee(Credit: Clay Bolt) ) (Photographer Clay Bolt snaps some of the first-ever shots of Wallace's giant bee in the wild(Credit: Simon Robson)  월리스의 거대 벌 (Wallace’s giant bee)로 알려진 Megachile pluto는 매우 거대한 인도네시아 벌로 세상에서 가장 거대한 말벌과도 경쟁할 수 있는 크기를 지니고 있습니다. 암컷의 경우 몸길이 3.8cm, 날개너비 6.35cm으로 알려진 벌 가운데 가장 거대하지만 수컷의 경우 이보다 작아서 몸길이가 2.3cm 정도입니다. 아무튼 일반 꿀벌의 4배가 넘는 몸길이를 지닌 거대 벌이라고 할 수 있습니다.   메가칠레는 1981년 몇 개의 표본이 발견된 이후 지금까지 추가 발견이 되지 않아 멸종되었다고 보는 과학자들도 있었습니다. 2018년에 eBay에 표본이 나왔지만, 언제 잡힌 것인지는 알 수 없었습니다. 사실 이 벌은 1858년 처음 발견된 이후 1981년에야 다시 발견되었을 만큼 찾기 어려운 희귀종입니다. 그런데 시드니 대학과 국제 야생 동물 보호 협회 (Global Wildlife Conservation)의 연구팀이 오랜 수색 끝에 2019년 인도네시아의 오지에서 메가칠레 암컷을 야생 상태에서 발견하는데 성공했습니다.   메가칠레 암컷은 특이하게도 살아있는 흰개미 둥지가 있는 나무에 둥지를 만들고 살아갑니다. 이들의 거대한 턱은 나무의 수지를 모아 둥지를 짓는데 유리합니다. 하지만 워낙 희귀종이라 이들의 생태에 대해서는 거의 알려진 바가 없습니다.  (동영상)...
댓글 쓰기
자세한 내용 보기

몸에 철이 많으면 조기 사망 위험도가 높다?

 철분은 인체에 반드시 필요한 미량 원소입니다. 헤모글로빈에 필수적인 물질이기 때문에 철분 부족은 흔히 빈혈을 부르며 반대로 피를 자꾸 잃는 경우에는 철분 부족 현상이 발생합니다. 하지만 철분 수치가 높다는 것은 반드시 좋은 의미는 아닙니다. 모든 일에는 적당한 수준이 있게 마련이고 철 역시 너무 많으면 여러 가지 질병을 일으킬 수 있습니다. 철 대사에 문제가 생겨 철이 과다하게 축적되는 혈색소증 ( haemochromatosis ) 같은 드문 경우가 아니라도 과도한 철분 섭취나 수혈로 인한 철분 과잉은 건강에 문제를 일으킬 수 있습니다. 하지만 높은 철 농도가 수명에 미치는 영향에 대해서는 잘 알려지지 않았습니다.   하버드 대학의 이야스 다글라스( Iyas Daghlas )와 임페리얼 칼리지 런던의 데펜더 길 ( Dipender Gill )은 체내 철 함유량에 영향을 미치는 유전적 변이와 수명의 관계를 조사했습니다. 연구팀은 48972명의 유전 정보와 혈중 철분 농도, 그리고 기대 수명의 60/90%에서 생존 확률을 조사했습니다. 그 결과 유전자로 예측한 혈중 철분 농도가 증가할수록 오래 생존할 가능성이 낮은 것으로 나타났습니다. 이것이 유전자 자체 때문인지 아니면 높은 혈중/체내 철 농도 때문인지는 명확하지 않지만, 높은 혈중 철 농도가 꼭 좋은 뜻이 아니라는 것을 시사하는 결과입니다.   연구팀은 이 데이터를 근거로 건강한 사람이 영양제나 종합 비타민제를 통해 과도한 철분을 섭취할 이유는 없다고 주장했습니다. 어쩌면 높은 철 농도가 조기 사망 위험도를 높일지도 모르기 때문입니다. 그러나 임산부나 빈혈 환자 등 진짜 철분이 필요한 사람들까지 철분 섭취를 꺼릴 필요가 없다는 점도 강조했습니다. 연구 내용은 정상보다 높은 혈중 철농도가 오래 유지되는 경우를 가정한 것으로 본래 철분 부족이 있는 사람을 대상으로 한 것이 아니기 때문입니다. 낮은 철분 농도와 빈혈이 건강에 미치는 악영향은 이미 잘 알려져 있기 때문에 철...
댓글 쓰기
자세한 내용 보기