Pytorch를 사용하여 모델 학습 파이프라인 구축하기

About this offer

타이타닉 데이터로 PyTorch 모델 만들기 오늘은 타이타닉 승객 데이터를 이용해 생존 여부와 성별을 예측하는 모델 을 만들었다. 아직 세부 코드를 모두 이해한 것은 아니지만, 데이터 준비부터 학습과 검증까지의 전체 흐름을 익혔다. 1. 데이터 확인과 feature 선택 각 열의 의미를 확인하고, 모델에 넣을 입력 정보와 예측할 정답을 구분했다. 입력(X) : 승객의 나이, 객실 등급, 운임, 동반 가족 수 등의 정보 정답(y) : survived 와 sex 정답으로 사용하는 열은 입력에서 제외해야 한다는 점도 배웠다. 2. 데이터 분리와 전처리 데이터를 train, validation, test 로 나눴다. 각각 학습, 모델 선택, 최종 평가에 사용하는 데이터다. 모델이 계산할 수 있도록 boolean과 문자 데이터를 숫자로 변환하고, 나이의 결측값은 train에서 구한 중앙값 으로 채웠다. 결측값이 많은 deck 은 제외하기로 했다. 3. Dataset과 DataLoader 생성 전처리한 데이터를 PyTorch의 Tensor 로 변환했다. TensorDataset 으로 입력과 정답을 묶고, DataLoader 로 한 번에 32명씩 학습하도록 구성했다. 학습 데이터는 순서를 섞어서 사용했다. 4. 모델 구축과 학습 여러 Linear 층과 ReLU 를 연결한 신경망을 만들었다. 생존 여부와 성별을 함께 예측하므로 마지막 출력은 2개로 설정했다. 학습은 다음 과정을 반복한다. 예측 → 정답과 비교해 오차 계산 → 기울기 계산 → 가중치 수정 손실함수는 BCEWithLogitsLoss , 최적화 도구는 Adam 을 사용했다. 5. 결과 확인과 기록 마지막 학습 기록에서 두 예측을 합친 정확도는 약 73.7% 였다. 검증 데이터에서는 다음 결과가 나왔다. 생존 예측 정확도: 65.17% 성별 예측 정확도: 71.91% 학습 정확도만으로 성능을 판단할 수 없고, 별도 데이터에서 검증해야 한다는 점을 배웠다. 또한 epoch마다 Loss와 Accuracy를 저장하고 그래프로 확인하는 방법도 살펴봤다. 오늘 이해한 핵심 흐름은 데이터 확인 → 전처리·분리 → Dataset·DataLoader 생성 → 모델 구축 → 학습 → 검증 이다. 앞으로는 각 코드의 역할을 더 자세히 이해하고, 전처리와 모델 설정에 따라 성능이 어떻게 달라지는지 확인해 보고 싶다.

Offer details

Provider

velog

Source

velog-rss

Score

54.4

Confidence

49%