각 라이브러리가 어떤 기능을 하며, 어떤 명령어로 이를 불러왔는지 하나씩 살펴볼까요?

■ from keras.models import Sequential

케라스의 모델 도구(models) 중 시퀀셜 모델을 불러오는 명령어입니다.

■ from keras.layers import SimpleRNN, Dense

레이어 도구(layers) 중 SimpleRNN과 Dense 도구를 불러오는 명령어입니다. 순환 신경망(RNN) 기법에는 LSTM, GRU 등 다양한 기법이 있는데, SimpleRNN은 가장 기본적인 순환 신경망의 모습입니다. LSTM과 GRU는 SimpleRNN을 한층 더 발전시킨 순환 신경망입니다. 그리고 이때 Dense는 각 레이어에서 뉴런의 수를 의미합니다. 순환 신경망 역시 레이어를 가지고 있는데, 각 레이어에 들어가는 뉴런의 수를 정할 때 사용합니다.

■ from sklearn.preprocessing import MinMaxScaler

데이터를 정규화하기 위한 MinMaxScaler 함수를 불러오는 명령어입니다. 16장에서는 데이터를 정규화하기 위해서 수식으로 계산하였습니다. 물론 이 방법도 있지만, 누군가 만들어 놓은 함수를 사용하면 더 쉽겠죠. 바로 sklearn 라이브러리의 전처리 함수를 사용하는 방법입니다. 이 장에서는 데이터 전처리, 즉 데이터를 인공지능에서 사용하기 전에 인공지능 모델에 적합하게 만드는 함수인 MinMaxScaler를 사용합니다.

■ from sklearn.metrics import mean_squared_error

결과의 정확도를 계산하기 위한 함수인 mean_squared_error를 불러오는 명령어입니다. 코로나 확진자 수를 예측하는 모델의 결과는 16장에서 만든 손글씨 분류 모델과는 달리 특정한 숫자로 나옵니다. 바로 연속된 값을 예측하는 회귀의 문제입니다. 그래서 오차를 계산하는 방법 또한 분류 문제와는 다릅니다. 이때 사용할 수 있는 함수가 바로 mean_squared_error로, 이 함수는 실제 값과 예측 값의 차이를 사용하여 오류를 구하는 역할을 합니다.