다음은 모델을 평가한 출력 결과입니다.
66/66 [==============================] - 21s 314ms/step - loss: 0.0870 - accuracy: 0.9722
Training accuracy ['loss', 'accuracy'] 0.9721599817276001
Training accuracy ['loss', 'accuracy'] 0.08702150732278824
66/66 [==============================] - 21s 325ms/step - loss: 0.3949 - accuracy: 0.8616
Testing accuracy ['loss', 'accuracy'] 0.8615999817848206
Testing accuracy ['loss', 'accuracy'] 0.3949168622493744
훈련 데이터셋은 97%의 정확도이며, 테스트 데이터셋은 86%의 정확도로 나쁘지 않은 결과를 보입니다.
지금까지 RNN 구현 방법을 알아보았습니다. 앞서 살펴본 것처럼 RNN 구현은 어렵지 않습니다. RNN에서 사용되는 데이터는 시계열 데이터로 모델을 적용하기 전에 전처리 과정이 상당히 중요합니다. 대체로 시계열 데이터들은 일반적인 숫자의 나열보다는 한글 및 영문으로 사람의 언어(자연어)로 구현된 데이터가 대부분이기 때문입니다. 따라서 RNN 구현에서 가장 중요한 것은 데이터에 대한 전처리이며, 이 부분은 ‘9장 자연어 전처리’에서 자세히 다룹니다.