기본 콘텐츠로 건너뛰기

R을 이용해 간단한 신경망 만들기 (1)


 요즘 핫한 분야라고 할 수 있는 인공 지능은 사실 데이터 분석과 불가분의 관계에 있습니다. 인공 지능과 통계적 방법을 이용한 예측 모델이 완전히 같은 것은 아니지만, 상당히 같은 내용을 공유하고 있으며 신경망을 비롯한 여러 가지 인공 지능 방법론에서 다양한 통계적 기법이 사용됩니다. 결국 상당수의 인공지능 개발은 데이터를 적절하게 분류하고 학습을 통해서 예측을 하는 것인데, 당연히 통계 분석에 사용되는 언어인 R 역시 이와 관련된 많은 패키지를 가지고 있습니다. 제가 인공 지능 관련 전문가는 아니지만, 여기에 대해서 간단한 포스팅은 해볼 수 있을 것 같습니다. 개인적으로는 신경망을 이용한 질병 예측 모델을 만들어 보면 어떨까 생각하고 있습니다. 


 R 자체에서 지원하는 인공지능 관련 패키지의 숫자는 매우 많고 사실 인공지능 방법론 자체가 매우 다양하지만, 여기서는 인공 신경망 (Neural Network)에 대해서만 이야기해 보겠습니다. 앞서 소개한 것처럼 요즘 인공지능 분야에서 인기가 좋은 텐서플로를 R과 함께 사용할수도 있으며 JAVA 기반인 H2O 역시 사용이 가능합니다. 


 하지만 우선은 가장 간단하게 사용할 수 있는 R 패키지에서 시작해 보겠습니다. neuralnet은 설정이 간단하고 파이선이나 자바 처럼 다른 언어와 패키지 설치없이 바로 시작할 수 있어 처음 진행하기에 적합할 것 같습니다. R 스튜디오에서 neuralnet을 설치한 후 간단한 예제를 실행하겠습니다. ?neuralnet을 통해서 뉴럴넷의 설명을 볼 수 있습니다. 


Training of neural networks

Description

neuralnet is used to train neural networks using backpropagation, resilient backpropagation (RPROP) with (Riedmiller, 1994) or without weight backtracking (Riedmiller and Braun, 1993) or the modified globally convergent version (GRPROP) by Anastasiadis et al. (2005). The function allows flexible settings through custom-choice of error and activation function. Furthermore the calculation of generalized weights (Intrator O. and Intrator N., 1993) is implemented.

Usage

neuralnet(formula, data, hidden = 1, threshold = 0.01,        
          stepmax = 1e+05, rep = 1, startweights = NULL, 
          learningrate.limit = NULL, 
          learningrate.factor = list(minus = 0.5, plus = 1.2), 
          learningrate=NULL, lifesign = "none", 
          lifesign.step = 1000, algorithm = "rprop+", 
          err.fct = "sse", act.fct = "logistic", 
          linear.output = TRUE, exclude = NULL, 
          constant.weights = NULL, likelihood = FALSE)




읽어볼만한 글 (한글 번역)





(neuralnet: Train and Test Neural Networks Using R)



앞서 살펴본 선형 회귀 모델을 통한 예측과 신경망을 통한 예측을 비교하기 위해 일단 간단한 선형 회귀 모형을 만들어 보겠습니다. y=3x+b의 모델을 선형 회귀 분선으로 파악하는 경우입니다. 


x<-seq span="">
set.seed(4567)
b<-rnorm span="">
y=3*x+b
y

model=lm(y~x)
summary(model)


> model=lm(y~x)
> summary(model)

Call:
lm(formula = y ~ x)

Residuals:
    Min      1Q  Median      3Q     Max 
-9.6178 -2.9339 -0.3645  2.8352  7.7280 

Coefficients:
            Estimate Std. Error t value Pr(>|t|)    
(Intercept) 22.05412    1.20779   18.26   <2e-16 span="">
x            2.96272    0.04122   71.87   <2e-16 span="">
---
Signif. codes:  0 ‘***’ 0.001 ‘**’ 0.01 ‘*’ 0.05 ‘.’ 0.1 ‘ ’ 1

Residual standard error: 4.206 on 48 degrees of freedom
Multiple R-squared:  0.9908, Adjusted R-squared:  0.9906 
F-statistic:  5166 on 1 and 48 DF,  p-value: < 2.2e-16


 회귀 모델은 y=2.96x + 22.05로 나오는데 당연히 현실에서는 볼 수 없는 데이터이지만, 아무튼 상당히 정확하게 예측할 수 있습니다. 신경망으로 예측하면 어떤 결과가 나올까요. 이를 위해 y,x 값 및 모델에서 예측하는 값 (pred), 실제값 (y)와 예측값의 차이 (error)를 지닌 데이터 프레임을 만들어 보겠습니다. 

data1<-as .data.frame="" span="" x="">
data2<-as .data.frame="" span="" y="">
data3<-cbind data1="" data2="" span="">

data3$pred=2.96*data3$x+22
data3$error=data3$pred-data3$y
summary(data3)

> summary(data3)
       x               y               pred            error        
 Min.   : 1.00   Min.   : 19.32   Min.   : 24.96   Min.   :-7.8664  
 1st Qu.:13.25   1st Qu.: 62.55   1st Qu.: 61.22   1st Qu.:-3.0076  
 Median :25.50   Median :102.25   Median : 97.48   Median : 0.2288  
 Mean   :25.50   Mean   : 97.60   Mean   : 97.48   Mean   :-0.1235  
 3rd Qu.:37.75   3rd Qu.:132.80   3rd Qu.:133.74   3rd Qu.: 2.7574  
 Max.   :50.00   Max.   :173.64   Max.   :170.00   Max.   : 9.5120  






 이제 뉴럴넷을 이용해서 신경망으로 학습을 시켜서 예측한 값과 비교해 보겠습니다. 


fit<-neuralnet data="data3," hidden="c(3,3)," stepmax="1e6) </span" threshold="0.1" x="" y="">
pred<-compute fit="" span="" x="">

이 과정은 시간이 좀 걸릴 수 있습니다. hidden = c(3,3) 은 뉴런 3개씩을 배치한 매우 단순한 모델임을 의미합니다. 기본적으로 뉴런의 숫자와 층, 그리고 뉴런에서 다음으로 전파되는 역치 (threshold), stepmax 등이 가장 기본적인 파라미터이며 나머지는 위에서 보여준 기본 값으로 들어가게 됩니다. 아무튼 이렇게 예측한 값을 바로 확인해 보겠습니다. 


data4<-as .data.frame="" net.result="" pred="" span="">
data5<-cbind data3="" data4="" span="">


 이렇게 하면 신경망으로 예측한 값이 V1이라는 변수에 저장됩니다. 역시 이 값과 실제값의 차이를 비교해서 error2에 저장해 보겠습니다. 




 대충보니 신경망으로 예측한 값이 선형 회귀 모델로 예측한 값보다 실제값에 더 가까운 것 같지만, 일일이 판단이 어려울 수 있습니다. 에러값이 작을 수록 예측을 잘한 경우로 생각하고 서로 비교를 해보겠습니다. 에러의 절대값이 적은편이 더 우수한 방법이겠죠. 회귀모델이 차이가 더 크면 1, 작으면 0으로 표시해 보겠습니다. 


data5$pred3=ifelse(abs(data5$error)>abs(data5$error2),1,0)
table(data5$pred3)

> table(data5$pred3)

 0  1 
25 25 


 의외로 결과는 반반입니다. 값을 조금 바꾸면 어떨까요? 


fit<-neuralnet data="data3," hidden="c(3,3)," stepmax="1e7) </span" threshold="0.06" x="" y="">
pred<-compute fit="" span="" x="">

data4<-as .data.frame="" net.result="" pred="" span="">
data5<-cbind data3="" data4="" span="">

data5$error2=data5$V1-data5$y
summary(data5)

data5$pred3=ifelse(abs(data5$error)>abs(data5$error2),1,0)
table(data5$pred3)

> table(data5$pred3)

 0  1 
20 30 


 이제는 신경망이 더 유리해졌습니다. 신경망은 여러 가지 파라미터를 조절해서 다른 결과를 얻을 수 있지만, 종종 결과를 내놓지 못하거나 혹은 결과값이 이상하게 수렴하는 경우가 나올 수 있습니다. stepmax을 조정해주지 않으면 에러가 나는 경우도 드물지 않습니다. stepmax는 신경망에서 훈련 시킬 최대 단계를 지정해주는 것으로(the maximum steps for the training of the neural network.) 너무 낮으면 다음의 에러가 생성됩니다. 


Warning message:
algorithm did not converge in 1 of 1 repetition(s) within the stepmax 


 이런 메세지가 나오면 stepmax 값을 늘려야 합니다. 해보면 의외로 원하는 결과를 얻기 어렵다는 사실을 알 수 있습니다. 아무튼 비교적 간단하게 시작할 수 있는 신경망인데, 사실 많은 것이 누락된 설명입니다. 물론 예제 역시 현실에서 보기 어려운 것이죠. 뉴럴넷을 이용한 신경망에 대해서 다음에 좀 더 자세히 이야기 해보겠습니다. 

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

150년 만에 다시 울린 희귀 곤충의 울음 소리

  ( The katydid Prophalangopsis obscura has been lost since it was first collected, with new evidence suggesting cold areas of Northern India and Tibet may be the species' habitat. Credit: Charlie Woodrow, licensed under CC BY 4.0 ) ( The Museum's specimen of P. obscura is the only confirmed member of the species in existence. Image . Credit: The Trustees of the Natural History Museum, London )  과학자들이 1869년 처음 보고된 후 지금까지 소식이 끊긴 오래 전 희귀 곤충의 울음 소리를 재현하는데 성공했습니다. 프로팔랑곱시스 옵스큐라 ( Prophalangopsis obscura)는 이상한 이름만큼이나 이상한 곤충으로 매우 희귀한 메뚜기목 곤충입니다. 친척인 여치나 메뚜기와는 오래전 갈라진 독자 그룹으로 매우 큰 날개를 지니고 있으며 인도와 티벳의 고산 지대에 사는 것으로 보입니다.   유일한 표본은 수컷 성체로 2005년에 암컷으로 생각되는 2마리가 추가로 발견되긴 했으나 정확히 같은 종인지는 다소 미지수인 상태입니다. 현재까지 확실한 표본은 수컷 성체 한 마리가 전부인 미스터리 곤충인 셈입니다.   하지만 과학자들은 그 형태를 볼 때 이들 역시 울음 소리를 통해 짝짓기에서 암컷을 유인했을 것으로 보고 있습니다. 그런데 높은 고산 지대에서 먼 거리를 이동하는 곤충이기 때문에 낮은 피치의 울음 소리를 냈을 것으로 보입니다. 문제는 이런 소리는 암컷 만이 아니라 박쥐도 잘 듣는다는 것입니다. 사실 이들은 중생대 쥐라기 부터 존재했던 그룹으로 당시에는 박쥐가 없어 이런 방식이 잘 통했을 것입니다. 하지만 신생대에 박쥐가 등장하면서 플로팔랑곱

9000년 전 소녀의 모습을 복원하다.

( The final reconstruction. Credit: Oscar Nilsson )  그리스 아테나 대학과 스웨덴 연구자들이 1993년 발견된 선사 시대 소녀의 모습을 마치 살아있는 것처럼 복원하는데 성공했습니다. 이 유골은 그리스의 테살리아 지역의 테오페트라 동굴 ( Theopetra Cave )에서 발견된 것으로 연대는 9000년 전으로 추정됩니다. 유골의 주인공은 15-18세 사이의 소녀로 정확한 사인은 알 수 없으나 괴혈병, 빈혈, 관절 질환을 앓고 있었던 것으로 확인되었습니다.   이 소녀가 살았던 시기는 유럽 지역에서 수렵 채집인이 초기 농경으로 이전하는 시기였습니다. 다른 시기와 마찬가지로 이 시기의 사람들도 젊은 시절에 다양한 질환에 시달렸을 것이며 평균 수명 역시 매우 짧았을 것입니다. 비록 젊은 나이에 죽기는 했지만, 당시에는 이런 경우가 드물지 않았을 것이라는 이야기죠.   아무튼 문명의 새벽에 해당하는 시점에 살았기 때문에 이 소녀는 Dawn (그리스어로는  Avgi)라고 이름지어졌다고 합니다. 연구팀은 유골에 대한 상세한 스캔과 3D 프린팅 기술을 적용해서 살아있을 당시의 모습을 매우 현실적으로 복원했습니다. 그리고 그 결과 나타난 모습은.... 당시의 거친 환경을 보여주는 듯 합니다. 긴 턱은 당시를 살았던 사람이 대부분 그랬듯이 질긴 먹이를 오래 씹기 위한 것으로 보입니다.   강하고 억센 10대 소녀(?)의 모습은 당시 살아남기 위해서는 강해야 했다는 점을 말해주는 듯 합니다. 이렇게 억세보이는 주인공이라도 당시에는 전염병이나 혹은 기아에서 자유롭지는 못했기 때문에 결국 평균 수명은 길지 못했겠죠. 외모 만으로 평가해서는 안되겠지만, 당시의 거친 시대상을 보여주는 듯 해 흥미롭습니다.   참고  https://phys.org/news/2018-01-teenage-girl-years-reconstructed.html