keras를 이용한 mnist 숫자 데이터 분류(2)

본 포스팅은 다음 포스팅으로부터 이어집니다 : keras를 이용한 mnist 데이터 분류(1)

7. 모델 평가하기

evaluate = model.evaluate(x_test, y_test)
print(evaluate)  # [0.1212036104369623, 0.9739] [손실값, 정확도]

8. 학습된 모델을 통해 값 예측하기

results = model.predict(x_test)

print(results.shape)
np.set_printoptions(precision=7)  # numpy 소수점 제한(7자리)
print(f'test[0]이 각 클래스에 속할 확률 : \n{results[0]}')

arg_results = np.argmax(results, axis=-1) # 가장 큰 값의 인덱스를 가져온다.
plt.imshow(x_test[0].reshape(28, 28))
plt.title('모델의 테스트[0]의 예측 값:' + str(arg_results[0]))
plt.show()

test[0]을 7로 예측한 모습

혼동행렬을 이용한 모델 평가

---

from sklearn.metrics import classification_report, confusion_matrix
import matplotlib.pyplot as plt
import seaborn as sns

# 혼동 행렬을 만듭니다.
plt.figure(figsize = (7, 7))  # 
cm = confusion_matrix(np.argmax(y_test, axis = -1), np.argmax(results, axis = -1))
# y_test와 results의 numpy 행렬에서 최고 차수(-1)를 기준으로 비교하여 최고값을 선정.
sns.heatmap(cm, annot = True, fmt = 'd',cmap = 'Blues')
# sklearn의 데이터를 이용하여 heatmap을 시각화해주는 seaborn의 패키지
# 
plt.xlabel('predicted label')
plt.ylabel('true label')
plt.show()

• figure(figsize = (weight, height)) : Figure dimension (width, height) in inches.

• seaborn.heatmap(data, vmin=None, vmax=None, cmap=None, center=None, robust=False, annot=None, fmt='.2g', annot_kws=None, linewidths=0, linecolor='white', cbar=True, cbar_kws=None, cbar_ax=None, square=False, xticklabels='auto', yticklabels='auto', mask=None, ax=None, **kwargs)

• annot : bool or rectangular dataset, optional

  If True, write the data value in each cell. If an array-like with the same shape as data, then use this to annotate the heatmap instead of the data. Note that DataFrames will match on position, not index.
  → 각 셀에 숫자를 입력

• fmt : string, optional

  String formatting code to use when adding annotations.
  → d는 정수 형태의 출력을 지시

• cmap : matplotlib colormap name or object, or list of colors, optional

  The mapping from data values to color space. If not provided, the default will depend on whether center is set.
  → 색깔을 설정

분류보고서

---

from sklearn.metrics import classification_report
print('\n', classification_report(np.argmax(y_test, axis=-1), np.argmax(results, axis=-1)))

결과

precision    recall  f1-score   support

           0       0.97      0.99      0.98       980
           1       0.99      0.98      0.99      1135
           2       0.97      0.97      0.97      1032
           3       0.98      0.95      0.97      1010
           4       0.97      0.97      0.97       982
           5       0.96      0.96      0.96       892
           6       0.98      0.97      0.98       958
           7       0.97      0.98      0.97      1028
           8       0.95      0.97      0.96       974
           9       0.96      0.97      0.96      1009

    accuracy                           0.97     10000
   macro avg       0.97      0.97      0.97     10000
weighted avg       0.97      0.97      0.97     10000