Skip to content

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Repository files navigation

MNIST 숫자 분류 프로젝트

이 프로젝트는 MNIST 손글씨 숫자 데이터셋을 다양한 머신러닝 및 딥러닝 알고리즘으로 분류하는 8개의 모듈로 구성되어 있습니다.

📁 프로젝트 구조

project-mnist/
├── create_performance_chart.py  # 성능 비교 차트 생성
├── run_models_fixed.py         # 모든 모델 실행 스크립트
├── requirements.txt            # 필요 라이브러리 목록
├── README.md                   # 프로젝트 설명서
├── 종합_분석_보고서.md           # 최종 분석 보고서
├── results/                    # 실행 결과 저장
│   ├── performance_metrics.json # 전체 성능 통계
│   ├── images/                 # 시각화 결과
│   │   ├── Overall_Analysis/   # 종합 분석 차트
│   │   ├── CNN/               # CNN 모델 분석
│   │   ├── DecisionTree/      # 의사결정트리 분석
│   │   ├── RandomForest/      # 랜덤포레스트 분석
│   │   ├── SVM/              # SVM 분석
│   │   ├── LogisticRegression/ # 로지스틱 회귀 분석
│   │   ├── KNN/              # KNN 분석
│   │   ├── XGBoost/          # XGBoost 분석
│   │   └── LightGBM/         # LightGBM 분석
│   └── json/                  # 분류 보고서
│       ├── CNN/              # CNN 분류 보고서
│       ├── DecisionTree/     # 의사결정트리 분류 보고서
│       ├── RandomForest/     # 랜덤포레스트 분류 보고서
│       ├── SVM/             # SVM 분류 보고서
│       ├── LogisticRegression/ # 로지스틱 회귀 분류 보고서
│       ├── KNN/             # KNN 분류 보고서
│       ├── XGBoost/         # XGBoost 분류 보고서
│       └── LightGBM/        # LightGBM 분류 보고서
└── 개별 모델 파일들 (실행 완료 후 정리됨)

🚀 설치 및 실행

1. 가상환경 활성화

# Windows
project\ai_analysis_env\Scripts\activate

# Linux/Mac
source project/ai_analysis_env/bin/activate

2. 필요 라이브러리 설치

pip install -r requirements.txt

3. 실행 방법

모든 모델 한번에 실행 (권장)

python run_models_fixed.py

성능 비교 차트 생성

python create_performance_chart.py

개별 모델 분석 확인

실행이 완료되면 results/ 폴더에서 다음과 같은 분석 결과를 확인할 수 있습니다:

  • 시각화 차트: results/images/모델명/
  • 분류 보고서: results/json/모델명/
  • 종합 분석: 종합_분석_보고서.md

📊 각 모델별 특징

1. 의사결정나무 (Decision Tree)

  • 특징: 해석이 쉬운 트리 구조 모델
  • 장점: 직관적이고 설명 가능
  • 분석 내용: 특성 중요도, 트리 깊이, 혼동 행렬

2. 랜덤포레스트 (Random Forest)

  • 특징: 여러 의사결정나무의 앙상블
  • 장점: 과적합 방지, 높은 성능
  • 분석 내용: 특성 중요도, 트리 통계, OOB 점수

3. SVM (Support Vector Machine)

  • 특징: 마진을 최대화하는 분류기
  • 장점: 고차원 데이터에 효과적
  • 분석 내용: 서포트 벡터, 커널 비교, 결정 경계

4. 로지스틱 회귀 (Logistic Regression)

  • 특징: 확률 기반 선형 분류기
  • 장점: 빠르고 해석 가능
  • 분석 내용: 회귀 계수, 정규화 분석, 예측 신뢰도

5. KNN (K-Nearest Neighbors)

  • 특징: 게으른 학습 알고리즘
  • 장점: 단순하고 직관적
  • 분석 내용: 최적 K 값, 거리 메트릭 비교, 이웃 분석

6. XGBoost

  • 특징: 그래디언트 부스팅 알고리즘
  • 장점: 높은 성능, 특성 중요도 제공
  • 분석 내용: 하이퍼파라미터 튜닝, 학습 곡선, 트리 개수 분석

7. LightGBM

  • 특징: 효율적인 그래디언트 부스팅
  • 장점: 빠른 훈련 속도, 메모리 효율성
  • 분석 내용: 부스팅 타입 비교, 잎 노드 분석, 훈련 진행상황

8. CNN (Convolutional Neural Network)

  • 특징: 이미지 처리에 특화된 신경망
  • 장점: 공간적 특성 추출, 높은 성능
  • 분석 내용: 컨볼루션 필터, 특성 맵, 아키텍처 비교

📈 결과 비교

최종 성능 순위 (테스트 정확도 기준)

  1. CNN: 98.15% ⭐ (최고 성능)
  2. SVM: 95.85%
  3. KNN: 94.95%
  4. LightGBM: 94.30%
  5. Random Forest: 93.90%
  6. XGBoost: 93.75%
  7. Logistic Regression: 90.45%
  8. Decision Tree: 77.55%

평가 메트릭

각 모델은 다음과 같은 메트릭으로 평가됩니다:

  • 정확도 (Accuracy)
  • 정밀도 (Precision)
  • 재현율 (Recall)
  • F1-점수 (F1-Score)
  • 혼동 행렬 (Confusion Matrix)
  • 훈련 시간 및 예측 시간
  • 메모리 사용량

🔧 하이퍼파라미터 튜닝

대부분의 모델에 하이퍼파라미터 튜닝이 포함되어 있습니다:

  • Grid Search
  • Cross Validation
  • Validation Curve 분석

📊 시각화

종합 분석 차트 (results/images/Overall_Analysis/)

  • 모델 종합 성능 비교 (6개 서브플롯)
  • 과적합 분석 차트
  • 효율성 레이더 차트

모델별 특화 시각화 (results/images/모델명/)

각 모델은 다양한 시각화를 제공합니다:

  • 혼동 행렬 히트맵
  • 특성 중요도 차트 (해당 모델)
  • 학습 곡선
  • 하이퍼파라미터 튜닝 결과
  • 모델별 특화 분석 (서포트 벡터, CNN 필터 등)

체계적 결과 정리

  • 총 58개 분석 이미지: 모델별로 폴더 정리
  • 18개 JSON 보고서: 상세한 분류 성능 데이터
  • 종합 분석 보고서: 모든 모델 비교 및 권장사항

⚠️ 주의사항

  1. 데이터 크기: 실행 시간을 고려하여 데이터 크기를 축소했습니다.
  2. 라이브러리 의존성: 일부 모델은 추가 라이브러리가 필요할 수 있습니다.
  3. GPU 지원: CNN 모델은 GPU 사용 시 더 빠른 훈련이 가능합니다.

📝 라이선스

이 프로젝트는 교육 목적으로 제작되었습니다.

👨‍💻 사용 환경

  • Python: 3.8+
  • 가상환경: ai_analysis_env
  • 운영체제: Windows, Linux, macOS

📚 추가 자료

About

No description, website, or topics provided.

Resources

Stars

0 stars

Watchers

0 watching

Forks

Releases

Packages

Contributors

Languages