패션 클래스 분류

실전문제로 배우는 머신러닝 - 2주차

• 패션 이미지를 보고 그 이미지가 어떤 옷인지 알려주는 모델을 만들기

• 예) 이미지를 보고 반바지인지 가방인지 모자인지를 인식

• 패션 트렌드를 감지하고 예측해 적절한 마케팅 캠페인을 제시 가능

• 특정 고객만을 타겟으로 한 마케팅 가능

• 7만개의 패션 MNIST 데이터

• 학습 데이터 세트 : 6만개, 테스트 데이터 세트 : 1만개

• 다운로드 링크 : train_data, test_data

• 흑백 이미지가 어떤 패션 아이템인지 분류

1️⃣ 라이브러리 불러오기

import pandas as pd
import numpy as np  
import matplotlib.pyplot as plt
import seaborn as sns

2️⃣ MNIST 데이터셋 불러오기

fashion_train_df = pd.read_csv('다운로드한 본인 파일 경로/fashion-mnist_train.csv', sep=',')
fashion_test_df = pd.read_csv('다운로드한 본인 파일 경로/fashion-mnist_test.csv', sep=',')

3️⃣ 데이터 시각화

• 이미지들은 28X28 픽셀, 즉 784 픽셀로 표현이 된다 (column의 수)

• 이미지를 평탄화해서 각 행이 이미지를 나타내도록 한 것이다

print(fashion_train_df.shape)
print(fashion_test_df.shape)

fashion_train_df.head()

training = np.array(fashion_train_df, dtype = 'float32')
testing = np.array(fashion_test_df, dtype = 'float32')

• 하나의 이미지를 시각화
• • plt.imshow 사용

plt.imshow(training[10,1:].reshape(28,28))

• 무작위 값을 설정해서 테스트해보기

import random
i = random.randint(1,10000)
plt.imshow(training[i,1:].reshape(28,28))
label = training[i,0]
label

• 데이터를 행렬 형태로 도식화

# 간단한 형태로 행렬(격자) 만들기
W_grid = 15
L_grid = 15

# 격자 차원으로 하위 그래프 생성
fig, axes = plt.subplots(L_grid, W_grid, figsize = (17,17))

# 배열과 축을 15x15로 평탄화
axes = axes.ravel()

# 학습 데이터 길이 정의
n_training = len(training)

# 도식화하고자하는 전체 이미지 출력
# 무작위 변수를 만들고 변수의 인덱스와 변수에 해당하는 이미지 출력
for i in np.arange(0, W_grid * L_grid):
    index = np.random.randint(0, n_training)
    axes[i].imshow(training[index,1:].reshape((28,28)))
    axes[i].set_title(training[index,0], fontsize = 8)
    axes[i].axis('off')

# 이미지 사이의 높이인 hspace 지정
plt.subplots_adjust(hspace=0.4)

4️⃣ 모델 학습

• 이미지를 스캔하여 이미지의 특징을 추출

X_train = training[:, 1:]/255
y_train = training[:, 0]
X_test = testing[:, 1:]/255
y_test = testing[:, 0]

from sklearn.model_selection import train_test_split
X_train, X_validate, y_train, y_validate = train_test_split(X_train, y_train, 
                                                            test_size = 0.2, 
                                                            random_state = 12345)
X_train = X_train.reshape(X_train.shape[0], *(28,28, 1))
X_test = X_test.reshape(X_test.shape[0], *(28,28, 1))
X_validate = X_validate.reshape(X_validate.shape[0], *(28,28, 1))

print(X_test.shape)
print(X_train.shape)
print(X_validate.shape)

import keras

# 완전 연결 네트워크 구축
from keras.models import Sequential
from keras.layers import Conv2D, MaxPooling2D, Dense, Flatten, Dropout
from keras.optimizers import Adam
from keras.callbacks import TensorBoard

• 모델 구축
• 모델을 순차적인 형태로 구축

cnn_model = Sequential()
cnn_model.add(Conv2D(32, 3, 3, input_shape = (28, 28, 1), activation = 'relu'))
cnn_model.add(MaxPooling2D(pool_size = (2,2)))
cnn_model.add(Flatten())
cnn_model.add(Dense(32, activation = 'relu'))
cnn_model.add(Dense(10, activation = 'sigmoid'))

cnn_model.compile(loss = 'sparse_categorical_crossentropy', optimizer=Adam(lr=0.001), metrics = ['accuracy'])

epochs = 50

cnn_model.fit(X_train,
             y_train,
             batch_size = 512,
             epochs = epochs,
             verbose = 1,
             validation_data = (X_validate, y_validate))

5️⃣ 모델 평가

evaluation = cnn_model.evaluate(X_test, y_test)
print('Test Accuracy : {:.3f}'.format(evaluation[1]))

1. 예측 클래스 사용해서 모델 평가하기

predicted_classes = cnn_model.predict_classes(X_test)
predicted_classes

L = 5
W = 5
fig, axes = plt.subplots(L, W, figsize = (12, 12))
axes = axes.ravel()

for i in np.arange(0, L*W):
    axes[i].imshow(X_test[i].reshape(28,28))
    axes[i].set_title('Prediction Class = {:.1f}\n True Class = {:0.1f}'.format(predicted_classes[i], y_test[i]))
    axes[i].axis('off')

plt.subplots_adjust(wspace = 0.5)

1. 혼동 행렬로 모델 평가하기

from sklearn.metrics import confusion_matrix
cm = confusion_matrix(y_test, predicted_classes)
plt.figure(figsize = (14,10))
sns.heatmap(cm, annot = True)

from sklearn.metrics import classification_report

num_classes = 10
target_names = ['Class {}'.format(i) for i in range(num_classes)]

print(classification_report(y_test, predicted_classes, target_names = target_names))

6️⃣ 모델 개선

• 32x32 커널을 64x64 또는 128x128로 바꿔보자

• 드롭 아웃