다중 품종 분류 (Multi-class Classification)

🧠 다중 품종 분류 이해하기

• 이미지 분류나 텍스트 분류 문제를 다루다 보면 두 개 이상의 클래스를 구분해야 하는 다중 분류(Multi-class Classification) 상황을 자주 만나게 됩니다.

• 예를 들어, 꽃의 종류를 setosa, versicolor, virginica 중 하나로 분류하거나, 손글씨 숫자(0~9)를 인식하는 문제 등에서 이런 방식이 사용됩니다.

이 글에서는 다중 분류를 제대로 이해하기 위해 꼭 알아야 할 세 가지 개념을 다룹니다:

• 🎯 원-핫 인코딩 (One-Hot Encoding)

• 🧠 소프트맥스 함수 (Softmax)

• 🔥 categorical_crossentropy 손실 함수

✅ 1. 원-핫 인코딩 (One-Hot Encoding)

✅ 2. 소프트맥스 함수 (Softmax)

소프트맥스는 모든 클래스에 대해 0~1 사이의 값을 출력하며, 합이 1이 되도록 정규화합니다.

softmax(zᵢ) = exp(zᵢ) / Σ exp(zⱼ)

import numpy as np

logits = np.array([2.0, 1.0, 0.1])
probs = np.exp(logits) / np.sum(np.exp(logits))
print(probs)  # [0.659, 0.242, 0.099] -> 다 합치면 1

✅ 3. categorical_crossentropy 손실 함수

• 모델이 얼마나 틀렸는지를 측정하려면 손실 함수(loss function)가 필요합니다.

• 다중 분류에서 자주 사용하는 함수는 categorical_crossentropy입니다.

• 이 함수는 예측한 소프트맥스 확률 분포와 원-핫 인코딩된 정답 벡터 간의 차이를 계산합니다.

Loss = -Σ (y_trueᵢ * log(y_predᵢ))

from tensorflow.keras.losses import categorical_crossentropy

y_true = [[0, 1, 0]]
y_pred = [[0.7, 0.2, 0.1]]
loss = categorical_crossentropy(y_true, y_pred)
print(loss.numpy())  # 약 1.609

✅ 전체 흐름 요약

1. 정답 데이터를 원-핫 인코딩으로 변환

2. 모델 출력층에 소프트맥스 함수 사용 → 각 클래스 확률 출력

3. 손실 함수로 categorical_crossentropy 사용 → 예측 정확도 학습

🔧 실전 예: Keras 코드로 다중 품종 분류

from tensorflow.keras.models import Sequential
from tensorflow.keras.layers import Dense
from tensorflow.keras.utils import to_categorical
from sklearn.model_selection import train_test_split
from sklearn.datasets import load_iris

# 1. 데이터 준비
X, y = load_iris(return_X_y=True)
y_encoded = to_categorical(y)  # 원-핫 인코딩
X_train, X_test, y_train, y_test = train_test_split(X, y_encoded, test_size=0.2)

# 2. 모델 설계
model = Sequential([
    Dense(10, activation='relu', input_shape=(4,)),
    Dense(3, activation='softmax')  # 클래스 수 만큼 노드, softmax 활성화
])

# 3. 컴파일
model.compile(optimizer='adam',
              loss='categorical_crossentropy',
              metrics=['accuracy'])

# 4. 학습
model.fit(X_train, y_train, epochs=50, validation_data=(X_test, y_test))

✨ 마무리

• 원-핫 인코딩: 정답 형식

• 소프트맥스: 모델 출력 확률 변환

• categorical_crossentropy: 학습 기준