결과의 정리와 새로운 시도를 위한 준비

안녕하세요?

 

지난번 포스팅까지 해서 어떻게 예측하는 것 까지 했습니다만, 그것만으로는 성이 차지 않고, 어떻게 요약해서 어떤 결과를 내었는지 모든 종목별로 한눈에 알 수 있도록 만들어 주고 싶었습니다. 그리고 그것에서 그치지 않고, 다양한 조건에서 한번 비교하는 시간을 가져 보고자 합니다.

 

먼저 본격적으로 한개의 종목당 무언가를 하기 이전에, 종합적인 결과를 저장하기 위한 한개의 새로운 데이터 프레임을 만들어서 빈 상태로 있도록 합니다.

 

그리고 나서 다음으로는 리스트를 만들어서 이 리스트를 품은 조그만한 데이터 프레임을 만든 다음에, 여기다가 이걸 앞서 만든 큰 데이터 프레임에 집어넣는 식으로 해서 결과를 요약할 수 있도록 만들어 보았습니다.

 

하지만 너무 많은 에러가 나서 최종적으로는 저렇게 dict형식의 자료를 만들어서 이걸 데이터 프레임에 넣는 식으로 작은 데이터 프레임을 만들고, 그걸 append함수를 써서 새로운 row로 집어넣을 수 있도록 합니다.

 

 

그리고 나서 다음으로 학습된 모델을 가지고 예측을 하는 단계까지는 어떻게 제대로 성공하기는 성공했습니다. 이렇게 해서 나온 결과를 이제 보자고 하면.......

 

일단 이렇게 무언가가 제대로 나온 것을 확인할 수 있습니다. 이게 제대로 나온 결과인지 아닌지는 모르지만, 그래도 Error Rate라고 해서, 실제값과 예측값의 차이가 실제값의 몇 %인지 까지 알수 있도록 만들어 주었습니다.

 

이제 이런 것을 확인했으니, 새로운 기계학습에 대해서 한번 다루어 볼 차례가 되었습니다. 일단 이를 위해서 먼저 위 스크린샷에서 볼 수 있는 것처럼 device라는 항목을 주도록 했습니다. 이게 GPU가 가능하면 GPU를 하도록 만들어 두었습니다.

 

그리고 나서 trainingSet과 targetingSet 둘다 일단 device의 영향을 받을 수 있도록 만들어 주도록 합니다. 이렇게 해서 상황에 따라 다른 운용이 가능하도록 만들어 주며...........

 

그리고 나서 MPL()도 디바이스의 종류에 따라서 영향을 받을 수 있도록 만들어 주도록 합니다. 이렇게 해서 만들어 주는데 성공했다면, 이제 다음으로 할 것은..............

 

기계학습에 일단 들어가 보도록 합니다. 우선 여기서 확인할 수 있는 것으로는 200에포크의 가장 기본적인 단층 레이어의 학습에 들어가 보는 것 입니다.

 

정말로 200 에포크 정도는 눈 깜짝할 사이에 끝이 나기는 납니다. 이제 이렇게 기계학습에 의해서 모델이 생성되었으니, 다음 포스팅에서는 이 모델을 바탕으로 해서 일단은 control군을 만들어 놓고 나서, 다음으로 할 것은 이제 다층 레이어에 대해서 다루어야 겠습니다.