기본 콘텐츠로 건너뛰기

[Deep Learning-딥러닝] 분류 (Classification)


분류

분류는 입력 데이터가 어느 범주에 속하는지 알아내는 연구이며, 지도학습입니다. 범주가 2개일 경우 이진 분류(Binary classification), 그 이상은 다중 분류(Multi-class classification)라고 합니다. 분류에서는 범주의 수가 출력층의 노드 수 입니다.

이진 분류


  • 이진 분류의 출력 범위는 0~1 사이의 실수 값
  • 출력 Layer의 활성 함수로 Sigmoid function을 사용함 
  • 0.5보다 작으면 첫 번째 class, 0.5보다 크면 두 번째 class로 분류함

Sigmoid Function

Sigmoid Function
Sigmoid 다음과 같은 특징이 있어 이진 분류의 활성 함수로 사용됩니다.
  • 값이 작아질 수록0, 커질 수록 1에 수렴함
  • 출력 범위는 0~1
  • 입력 값이 0에 가까울 수록 출력이 빠르게 변함(기울기)

로지스틱 회귀

로지스틱 회귀는 이진 분류(Binary Classification)를 풀기 위해 사용되는 알고리즘 입니다. 로지스틱 회귀는 범주형 데이터를 분류하는 방향으로 선을 긋습니다.
로지스틱의 가설함수 -> H(x)=sigmoid(Wx+b)

교차 엔트로피 오차 - Cross Entropy(CEE)

교차 엔트로피 오차는 정확히 맞추면 오차가0, 틀릴수록 오차가 무한히 증가하는 특성을 가지고 있습니다.

  • y: 학습 데이터 (0 or 1) -> 정수
  • y~(y 킬다): 학습 데이터 입력으로 추정한 출력(0 ~ 1) -> 실수
위 그래프의 가로축은 예측값 세로축은 오차를 표현합니다. y가 1인 경우를 나타낸 그래프 이므로 예측이 1일 경우 오차는 0이고 예측이 0일경우 무한히 증가합니다.

다중 분류


다중 분류의 출력은 각 클래스 즉, 각 범주에 속할 확률을 표현합니다. 확률로 표현하기 위해 출력 계층 활성 함수로 Softmax 함수를 사용합니다.

소프트맥스 함수 - Softmax Function

Softmax는 최종 출력 단에서 N가지 범주로 분류하는 Multi-class classification으로 사용됩니다. Softmax 함수는 출력을 확률로 변환합니다. 각 출력은 해당 Class에 속할 확률을 의미합니다.

  • 각 출력은 0~1 사이의 값을 가짐.
  • 모든 출력의 합은 1이 됨.
  • 선택지의 갯수만큼의 차원을 가지는 벡터를 만듬.
  • 분모에 의해 다른 클래스에 대한 학습에도 영향을 줌

교차 엔트로피 오차 - Cross Entropy Error

교차 엔트로피 오차는 다중 클래스 분류의 오차를 구할 때 사용됩니다. 정답과 예측값을 Cross Entropy로 계산하여 Error를 구합니다.

Softmax vs Sigmoid

Sigmoid는 하나의 입력을 0으로 강제한 2-Class Softmax 함수와 동일합니다. 2가지 클래스를 구분하기 위해 1개의 입력을 받습니다.

붓꽃 품종 분류하기 행렬 연산으로 표현

  • 데이터는 전체 샘플의 개수가 5개, 특성이 4개이므로 5 × 4 행렬 X로 정의합니다. 
  • 문제의 선택지가 총 3개인 문제이므로 가설의 예측값으로 얻는 행렬 Y^의 열의 개수는 3개여야 합니다. 그리고 각 행은 행렬 X의 각 행의 예측값이므로 행의 크기는 동일해야 합니다. 결과적으로 행렬 Y^의 크기는 5 × 3입니다.
  • 크기 5 × 3의 행렬 Y^는 크기 5 × 4 입력 행렬 X과 가중치 행렬 W의 곱으로 얻어지는 행렬이므로 가중치 행렬 W의 크기는 추정을 통해 4 × 3의 크기를 가진 행렬임을 알 수 있습니다.
  • 편향 행렬 B는 예측값 행렬 Y^와 크기가 동일해야 하므로 5 × 3의 크기를 가집니다.


Softmax 함수 overflow 대책

Softmax는 수식 안에 e의 지수를 포함하고 있는데, 지수함수는 지수가 커질 수록 매우 큰 폭으로 증가하기 때문에 overflow가 발생하기 쉽다. 이를 해결하기 위해 다음 정의를 이용합니다.
Softmax 함수는 원소에 어떠한 수를 더하여 exp를 취해도 결과값이 같다는 성질이 있습니다. 원소들의 mean or max를 빼줘 overflow를 막을 수 있습니다.

Source

  • 이진분류
https://github.com/ynebula/Deep_Learning/blob/master/Regression/Logistic_Regression_Class.ipynb
  • 다중분류
https://github.com/ynebula/Deep_Learning/blob/master/Regression/Softmax_Regression.ipynb
  • MNIST
https://github.com/ynebula/Deep_Learning/blob/master/Project/MNIST.ipynb

감사합니다.

Reference

태그

라벨:

댓글

댓글 쓰기

이 블로그의 인기 게시물

[Deep Learning-딥러닝] 신경망 구조

뉴런 표현 및 연산 방법 생물학의 신경 세포를 단순화하여 모델링 한것이 뉴런입니다.  뉴런은 신경망의 기본 단위 입니다. 뉴런은 여러 신호를 받아, 하나의 신호를 만들어 전달하는 역할을 합니다. 출력을 내기 전에 활성 함수(activation function)을 통해서 비선형 특성을 가할 수 있습니다. 뉴런 연산 방법은 다음과 같습니다. 두 벡터  가중치 weight와 입력 x의  내적 을 구한 후 모두 합한다. 편향을 더합니다.  편향이 없으면, 추세선은 원점을 꼭 지나야 합니다. 활성 함수를 적용 해 비선형 함수로 만듭니다. 두 벡터의 내적은 다음과 같이 표현할 수 있습니다. 두 벡터의 내적 FC(Fully Connected) Layer Matrix 곱셈 연산 표현 방법 뉴런이 모인 한 단위를 계층(Layer)라고 하며, 이전 계층과 다음 계층의 모든 뉴런이 서로 연결된 계층을 Fully-Connected Layer(Dense Layer)라고 합니다. N개의 입력, M개의 출력이 있는 네트워크 예제입니다. 매트릭스  W 의  w 0 는 (N*1)의 벡터이며, 이런  w 0 를 M개 나열되어 있습니다. 입력  x 는 N개라 행렬로 표현하면 (N*1)로 표현됩니다. 가중치를 transpose하여 (M*N)*(N*1)을 연산하여 출력은 (M*1) 형태가 됩니다. 얕은 신경망 - Shallow Neural Network 구조 얕은 신경망 - Shallow Neural Network 입력, 은닉, 출력 3개의 계층으로 되어 있으며, 은닉 계측과 출력 계층이 Fully Connected 계층인 모델을 얕은 신경망(Shallow Neural Network)라고 합니다. 입력 계층(Input Layer) 아무런 연산 없이 은닉계층으로 값을 전달함. 계층의 크기=Node의 개수=입력 Scalar의 수=입력 Vecto...
댓글 쓰기
자세한 내용 보기

SentencePiece 설치 및 사용법

Jupyter notebook 사용 기준으로 설치 및 사용법을 설명합니다. Sentencepiece 특징 및 기능 설명은 다음 사이트에서 참고 바랍니다. https://sungwoony.blogspot.com/2020/04/sentencepiece.html one-sentence-per-line raw corpus file.  tokenizer, normalizer 또는 preprocessor를 실행할 필요가 없습니다. Default로, Unicode NFKC로 SentencePiece input을 정규화 합니다.  설치방법 VM환경에 pip library가 설치되어 있어야 하며, 다음 명령어를 수행하면 설치됩니다. pip install sentencepiece 사용법 Sentencepiece library import setencepiece를 import해야 하며 관례적으로 spm으로 사용합니다. Train SentencePiece Model from corpuse botchan.txt 파일을 다음 사이트에서 다운로드 받을 수 있습니다. https://github.com/google/sentencepiece/blob/master/data/botchan.txt --mode_type의 기본은 uni type입니다. --model_type에 bpe를 넣으면 bpe 타입으로 생성됩니다. Train이 완료되면 "m.uni.model"과 "m.bpe.model" 이 생성됩니다. 둘 의 차이점은 다음에 확인할 수 있습니다. Option Name Description input 파일목록은 쉼표로 구분합니다. model_prefix output model로 prefix. <model_name>.model과 <model_name>.vocab 이 생성됩니다. vocab_size vocabulary size, e.g.. 8000, 16000, o...
댓글 쓰기
자세한 내용 보기

[워드임베딩-Word Embedding]원-핫 인코딩(One-hot encoding)

1. 단어 집합(vocabulary) 및 정수 맵핑 텍스트의 모든 단어의 중복을 배제한 집합을 단어 집합(vocabulary) 이라고 합니다. 그리고 이 단어 집합에 고유한 숫자를 부여하는 정수 인코딩 을 진행 합니다. 이를 다른 말로 맵핑(mapping) 이라고 합니다. 보통 인덱스는 빈도수가 높은 단어들만 사용하기 위해서, 단어의 빈도수를 기준으로 내림차순 정렬한 뒤에 부여합니다. 2. 원-핫 인코딩(One-hot encoding) 컴퓨터는 문자보다는 숫자를 더 잘 처리 할 수 있습니다. 이를 위해 문자를 숫자로 바꿔야 합니다. 원-핫 인코딩(One-hot encoding)은 문자를 숫자로 바꿔주는 방법 중 가장 기본적인 방법 입니다. 원-핫 인코딩은 "범주형 데이터" 또는 "다중 클래스 분류" 문제를 처리할 때 레이블을 표현합니다. 원-핫 인코딩의 크기는 선택(Category or Class)개수이고, 정답은 1로 나머지는 0으로 표시하는 방법입니다.  원-핫 인코딩은 단어 집합의 크기를 벡터의 차원 으로 하고, 표현하고 싶은 단어의 인덱스 즉, 정답에 1의 값을 부여 하고, 다른 인덱스에는 0을 부여 하는 단어의 벡터 표현 방식 입니다. 이렇게 표현된 벡터를 원-핫 벡터(One-hot vector) 라고 합니다. 원-핫 인코딩을 위해서 먼저 해야할 일은 단어 집합을 만드는 일입니다. 원-핫 인코딩을 하기 위해서는 우선 각 선택지에 순차적으로 정수 인덱스를 부여합니다. 원-핫 인코딩 수행 과정 단어 집합 생성 각 단어에 고유한 인덱스를 부여 표현하고 싶은 단어의 인덱스의 위치에 1을 부여하고, 다른 단어의 인덱스의 위치에는 0을 부여 카테고리가 6개이므로 6차원 벡터로 표시 3. 원-핫 인코딩의 희소 표현(Sparse Vector) 희소 표현을 이용해 벡터 전체를 표기하지 않고, 숫자 하나(1의 값의 Index를 가지고 표현)로 표현할 수 있습니다. 4. 비용함수 MSE(M...
댓글 쓰기
자세한 내용 보기