Lesson 0001 — 케라스 회귀 핵심 인출 연습

읽는 공부는 끝났다고 가정한다. 이 레슨은 꺼내는 연습이다 — 보기를 보고 고른 뒤 즉시 해설을 확인하고, 틀린 것만 다시 돌린다.

5분 압축

골격

데이터 → 모델(Sequential+Dense) → 컴파일·훈련(compile/fit) → 평가·예측(evaluate/predict). 회귀 코드는 예외 없이 이 순서.

shape

(행, 열) = (샘플 수, 특성 수). 샘플(sample) = 데이터 한 줄(= 행 · 관측치 · 데이터 포인트). 통계의 "표본"(집합 전체)과 뜻이 다르다. 첫 레이어 input_dim = 열 수, 마지막 Dense 노드 = 샘플당 예측할 값의 개수.

차원 이름

0차원 스칼라 () · 1차원 벡터 (3,) · 2차원 행렬 (3,2) · 3차원 이상 텐서. 대괄호 깊이 = ndim.

회귀 세팅

loss='mse'(Mean Squared Error), optimizer='adam'(Adaptive Moment Estimation), 활성화 함수 없음. batch_size 생략 = 32.

데이터 위생

train_test_split(shuffle 기본 True) → fit_transform(x_train) / transform(x_test) → evaluate(x_test, y_test).

지표 방향

MSE·RMSE·MAE는 작을수록, R²는 1에 가까울수록 좋다. R² = 1 - SSE/SST, 평균만 예측하면 0, 그보다 나쁘면 음수.

인자 순서

모든 사이킷런 지표는 (y_true, y_pred) = (y_test, y_pred). MSE·MAE는 뒤집어도 같지만 R²는 달라진다.

predict 입력

항상 2차원. 안쪽 대괄호 개수 = 예측할 샘플 수, 그 속 숫자 개수 = 특성 수.

블록 A — 골격과 모델 구성

코드 작성 순서, Dense의 두 숫자, 파라미터 개수. 근거: 치트시트 0절 · 1절

블록 B — shape와 차원 읽기

0차원부터 3차원까지, 전치, 그리고 predict에 넣는 배열의 모양. 근거: 치트시트 2절

블록 C — 컴파일과 훈련

compile의 두 인자, 약자 풀이, batch_size·epochs·validation_split. 근거: 치트시트 3절

블록 D — 손실 계산 (MSE·MAE·RMSE)

손으로 계산해 보는 블록. 이름을 거꾸로 읽는 습관을 만든다. 근거: 치트시트 3절 후반

블록 E — train/test 분리와 스케일링

train_test_split의 반환·인자, StandardScaler의 fit_transform vs transform. 근거: 치트시트 4절 · 5절

블록 F — 평가 지표와 evaluate

R²의 정체, 인자 순서 비대칭, evaluate·fit 로그·직접 계산의 관계. 근거: 치트시트 6절

블록 G — 데이터셋 적재와 CSV 전처리

내장 데이터셋에서 x·y 꺼내기, 판다스 전처리가 input_dim으로 이어지는 과정. 근거: 치트시트 7절 · 8절 · 9절 함정

케라스 회귀 핵심 인출 연습