scikit-learn vs tensorflow

scikit-learn에 비해 tensorflow는 변수설정이 비교적 복잡하다.

scikit-learn에는 없는 [수식]이 tensorflow에 들어가기 때문에....

close test라는 전제.

scikit-learn

tensorflow  y = w1x + w2x^2 + w3x^3 + w4x^4 + w5x^5

iris_dataset = load_iris()  X = iris_dataset.data  y = iris_dataset.target  model = LogisticRegression(C=100, penalty="l1")  model.fit(X, y)  print('predict: {}'.format(model.predict(X)))  print('train score: {}'.format(model.score(X, y)))

[수식]  x = tf.placeholder(tf.float32, [None, 5])  w = tf.Variable(tf.zeros([5, 1]))  y = tf.matmul(x, w)  t = tf.placeholder(tf.float32, [None, 1])  loss = tf.reduce_sum(tf.square(y-t))  train_step = tf.train.AdamOptimizer().minimize(loss)  sess = tf.Session()  sess.run(tf.global_variables_initializer())  # 트레이닝 세트 데이터를 준비한다.  train_x = np.zeros([12, 5])  for row, month in enumerate(range(1, 13)):     for col, n in enumerate(range(0, 5)):         train_x[row][col] = month**n  train_t = np.array([5.2, 5.7, 8.6, 14.9, 18.2, 20.4, 25.5, 26.4, 22.8, 17.5, 11.1, 6.6])  train_t = train_t.reshape([12,1])           i = 0  for _ in range(10000):     i += 1     sess.run(train_step, feed_dict={x:train_x, t:train_t})     if i % 1000 == 0:         loss_val = sess.run(loss, feed_dict={x:train_x, t:train_t})         print ('Step: %d, Loss: %f' % (i, loss_val))  w_val = sess.run(w)  print(w_val)  def predict(x):     result = 0.0     for n in range(0, 5):         result += w_val[n][0] * x**n     return result  test_x = np.linspace(1,12,12) # 12개  pred_y = predict(linex)

출처: [텐서플로로 시작하는 딥러닝]