실습 4 — 주문량 예측 신경망 학습하기

import pandas as pd
import torch
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler

plt.rcParams["font.family"] = "Malgun Gothic"
plt.rcParams["axes.unicode_minus"] = False

# 실습 3과 똑같이 준비한다
df = pd.read_csv("daily_orders.csv")
df["일차"] = range(len(df))
features = ["일차", "주말", "공휴일", "기온", "강수mm", "광고비만원", "할인행사"]
X_train, X_test, y_train, y_test = train_test_split(
    df[features], df["주문량"], test_size=0.2, random_state=42
)
scaler = StandardScaler().fit(X_train)
X_train_t = torch.tensor(scaler.transform(X_train), dtype=torch.float32)
X_test_t = torch.tensor(scaler.transform(X_test), dtype=torch.float32)
y_train_t = torch.tensor(y_train.to_numpy() / 100, dtype=torch.float32).view(-1, 1)
print(X_train_t.shape, y_train_t.shape)

from torch import nn

torch.manual_seed(42)   # 가중치의 처음 난수를 고정해서 언제 돌려도 같게 한다

# nn.Sequential: 층을 적은 순서대로 이어 붙인다
model = nn.Sequential(
    nn.Linear(7, 32),    # 입력 7 → 은닉층 1 의 뉴런 32개 (가중합)
    nn.ReLU(),           # 활성화 함수
    nn.Linear(32, 16),   # 은닉층 1 → 은닉층 2 의 뉴런 16개
    nn.ReLU(),
    nn.Linear(16, 1),    # 은닉층 2 → 출력 1개(주문량). 회귀라 활성화 없음
)
print(model)

# 파라미터(가중치와 편향)가 모두 몇 개인지 센다. numel() 은 텐서 안의 숫자 개수
print("파라미터 수:", sum(p.numel() for p in model.parameters()))

from torch.utils.data import TensorDataset, DataLoader

loss_fn = nn.MSELoss()                                     # 회귀 손실
opt = torch.optim.Adam(model.parameters(), lr=0.01)        # 옵티마이저와 학습률

# DataLoader: 학습용을 32건씩 배치로 나눠 준다. shuffle=True 는 에포크마다 순서를 섞는다
# generator 에 씨앗을 줘서 섞는 순서도 고정한다
loader = DataLoader(TensorDataset(X_train_t, y_train_t), batch_size=32, shuffle=True,
                    generator=torch.Generator().manual_seed(42))

history = []                                # 에포크마다의 손실을 모아 둔다
for epoch in range(1, 201):
    total = 0.0
    for xb, yb in loader:                   # 배치마다
        opt.zero_grad()                     # 1) 지난 기울기 지우기
        loss = loss_fn(model(xb), yb)       # 2) 순전파, 3) 손실
        loss.backward()                     # 4) 역전파
        opt.step()                          # 5) 가중치 고치기
        total += loss.item() * len(xb)      # 배치 손실 × 건수를 더해 둔다
    history.append(total / len(X_train_t))  # 에포크 평균 손실
    if epoch in (1, 10, 50, 100, 200):
        print(f"에포크 {epoch:3d}  손실 {history[-1]:.4f}")

from sklearn.metrics import mean_absolute_error

# 에포크에 따른 학습 손실을 그린다
plt.figure(figsize=(8, 3.5))
plt.plot(range(1, 201), history)
plt.yscale("log")             # 처음과 나중의 차이가 커서 세로축을 로그 눈금으로
# 눈금을 0.1, 1, 10 처럼 보통 숫자로 적는다(10의 거듭제곱 꼴은 한글 글꼴에서 빼기 기호가 깨진다)
plt.gca().yaxis.set_major_formatter(plt.FuncFormatter(lambda v, _: f"{v:g}"))
plt.xlabel("에포크")
plt.ylabel("학습 손실(MSE, 로그 눈금)")
plt.title("에포크가 지날수록 손실이 줄어듭니다")
plt.show()

# 평가: 학습이 아니므로 기울기 기록을 끈다(no_grad). 예측에 100 을 곱해 '건' 단위로 되돌린다
model.eval()
with torch.no_grad():
    pred = model(X_test_t).numpy().ravel() * 100
print("시험용 MAE:", round(mean_absolute_error(y_test, pred), 1), "건")