[Deep Learning Basic Starting with TF] 실습 5. Logistic Regression/Classification를 TensorFlow로 구현하기

로지스틱 함수 구현

로지스틱 함수는 텐서플로를 사용해서 다음과 같이 구현한다.

def logistic_regression(features):
    hypothesis = tf.divide(1., 1. + tf.exp(tf.matmul(features, W) + b))
    return hypothesis

로지스틱 회귀 비용함수 구현

로지스틱 회귀에서의 비용함수는 다음과 같이 구현할 수 있다.

def loss_fn(hypothesis, features, labels):
    cost = -tf.reduce_mean(labels * tf.math.log(logistic_regression(features)) + (1 - labels) * tf.math.log(1 - hypothesis))
    return cost

여기서 hypothesis는 가설함수 자체를 의미하며, 따라서 가설함수는 미리 설졍되어 있어야 한다. 여기서는 앞서 코딩한 logistic_regresison()함수가 가설함수가 된다. features는 x값을, labels는 정답인 y를 의미한다.

분류 및 분류 정확도 측정

특정한 기준을 설정해서 분류하고 이를 평가하는 코드는 다음과 같다.

def accuracy_fn(hypothesis, labels):
    predicted = tf.cast(hypothesis > 0.5, dtype=tf.float32)
    accuracy = tf.reduce_mean(tf.cast(tf.equal(predicted, labels), dtype=tf.int32))
    return accuracy

tf.cast()는 결과 값을 다른 형태로 바꾸는(캐스팅) 역할을 한다. tf.equal() 함수는 두 값이 같으면 True, 같지 않다면 False를 출력한다.

코드 보러가기

별도의 출처 표시가 있는 이미지를 제외한 모든 이미지는 강의자료에서 발췌하였음을 밝힙니다.