실행 결과

Epoch 1/5000
1/1 [==============================] - 0s 183ms/step - loss: 0.5741
... (중략) ...
Epoch 5000/5000
1/1 [==============================] - 0s 1ms/step - loss: 0.1882

 

그림 6-9 | 실행 결과

 

7시간을 공부할 경우, 합격 예상 확률은 59.7%입니다.

출력되는 그래프는 학습이 진행됨에 따라 점점 시그모이드 함수 그래프의 형태를 취해 가는 것을 보여 줍니다. 학습된 모델의 테스트를 위해 여러 가지 임의의 시간을 집어넣고 테스트해 보면, 학습 시간이 7보다 클 경우에는 합격 확률이 50%가 넘는다는 것을 알 수 있습니다. 데이터양이나 학습 시간 등 환경에 따라 예측 정확도는 더욱 향상될 수 있습니다.

지금까지 선형 회귀와 로지스틱 회귀를 사용한 모델링에 관해 알아보았습니다. 이 두 가지가 딥러닝의 기본 요소가 된다는 것은 이미 설명한 바 있습니다. 그러면 이러한 통계 모델링은 어떻게 해서 딥러닝과 연관을 갖게 될까요? 로지스틱 회귀 모델의 전신인 퍼셉트론과 퍼셉트론의 한계를 극복하며 탄생한 신경망에 대해 상세히 알아보며 딥러닝 학습 속도를 더해 보겠습니다.