로우코드 AI

293

8

장

사용자 정의 모델의 성능 개선하기

x=train_ds,

epochs=25,

verbose=1,

validation_data=valid_ds

)

먼저 최적화 도구를

adam

으로 설정하고 손실 함수를

mse

로 설정하여 모델을 컴파일합니다. 그

리고 학습 및 검증 데이터프레임으로 각각의

tf

.

Datasets

객체를 생성합니다. 학습용은

100

,

검증용은

1000

으로 배치 크기를 설정합니다. 모델을 학습시키려면 이전처럼

fit

()

메서드를

사용합니다.

모델 성능은 신경망을 초기화하고 학습시키는 데 연관된 임의성에 따라 약간 다를 수 있지

만, 학습이 완료된 모델은 약

10

,

719

,

103

수준의

MSE

값을 달성함을 알 수 있습니다. 이를

RMSE

로 변환하면 약

3

,

274

가 됩니다. 성능은 하이퍼파라미터를 튜닝하기 이전의 사이킷런

모델과 유사합니다. 신경망 초기화 방법에 연관된 임의성에 따라

MSE

가 다를 수 있다는 점에

유의하세요. 하지만 신경망 구조를 임의로 선택했으므로 개선의 여지는 여전히 있습니다.

8.3.4

케라스에서 하이퍼파라미터 튜닝하기

케라스로 작동하는 모델을 만들었으니, 이제 이를 개선하는 노력을 기울여야 할 때입니다. 케

라스 튜너 패키지를 사용하면 쉽게 하이퍼파라미터 튜닝을 수행할 수 있습니다.

구글 코랩은 케라스 튜너 패키지를 기본적으로 ...