시험장 직전 10분 치트시트
시험 시작 전 마지막 10분에 위에서 아래로 한 번 훑고, 시험 중에는 막힐 때마다 이 페이지로 돌아오십시오. 유형별 출력층·loss, 빈출 에러 5가지의 10초 해결 코드, 1~14번 표준 변수명과 첫 셀 임포트 블록, 신규 샘플 예측 4줄 공식, 90분 시간 배분과 제출 전 점검만 한 장에 모았습니다. 인쇄(A4)하면 그대로 한 장짜리 시트가 됩니다.
① 문제 유형별 한눈에 보기
| 유형 | 라벨 형태 | 출력층 Dense(units, activation) | loss | metrics | predict 후처리 | 주요 평가 함수 |
|---|---|---|---|---|---|---|
| 이진분류 | 0/1 정수 (N,) | Dense(1, activation='sigmoid') | 'binary_crossentropy' | ['accuracy'] | (pred > 0.5).astype(int).flatten() | accuracy_score, classification_report, confusion_matrix |
| 다중분류 (원-핫 라벨) | 원-핫 (N, K)to_categorical(y, K) | Dense(n_classes, activation='softmax') | 'categorical_crossentropy' | ['accuracy'] | np.argmax(pred, axis=1) | classification_report, confusion_matrix (정답도 np.argmax(y_test, axis=1)로 환원) |
| 다중분류 (정수 라벨) | 0~K-1 정수 (N,) | Dense(n_classes, activation='softmax') | 'sparse_categorical_crossentropy' | ['accuracy'] | np.argmax(pred, axis=1) | classification_report, confusion_matrix |
| 회귀 | 연속값 (N,) | Dense(1) (활성화 없음) | 'mse' | ['mae'] | pred.flatten() | r2_score, mean_absolute_error |
세 줄만 바뀐다. 유형이 바뀌어도 전처리, 은닉층, 콜백, fit은 그대로입니다. 바꿀 곳은 마지막 Dense, loss, metrics 세 줄이고, 예측 후처리 한 줄이 따라옵니다. 다중분류(정수 라벨) 출력층 units는 len(np.unique(y_train))로 계산합니다(이진분류는 1, 회귀는 1).
Sequential API
model = Sequential()
model.add(Input(shape=(X_train_scaled.shape[1],)))
model.add(Dense(64, activation='relu'))
model.add(Dropout(0.3))
model.add(Dense(32, activation='relu'))
model.add(Dense(1, activation='sigmoid'))
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
Functional API (같은 모델)
inputs = Input(shape=(X_train_scaled.shape[1],))
x = Dense(64, activation='relu')(inputs)
x = Dropout(0.3)(x)
x = Dense(32, activation='relu')(x)
outputs = Dense(1, activation='sigmoid')(x)
model = Model(inputs=inputs, outputs=outputs)
model.compile(optimizer='adam',
loss='binary_crossentropy',
metrics=['accuracy'])
② 시험장 빈출 에러 메시지 5선
메시지는 TensorFlow 2.21 / Keras 3.15 / pandas 3 / scikit-learn 1.9 에서 실제로 재현한 원문입니다(길면 …로 줄임). 구버전 환경은 문구가 조금 다를 수 있으나 원인과 해결은 같습니다.
1Shape mismatch
ValueError: Input 0 with name 'None' of layer 'dense' is incompatible with the layer: expected axis -1 of input shape to have value 12, but received input with shape (None, 13)
ValueError: Arguments `target` and `output` must have the same rank (ndim). Received: target.shape=(None,), output.shape=(None, 3)
ValueError: Per-column arrays must each be 1-dimensional
원인 위부터 순서대로: Input(shape) 숫자와 실제 열 수가 다름 / 정수 라벨(N,)에 categorical_crossentropy (원-핫이면 반대로 sparse 오류) / predict 결과 (N,1)을 그대로 표에 넣음.
10초 해결 코드
model.add(Input(shape=(X_train_scaled.shape[1],)))
loss='sparse_categorical_crossentropy' # 정수 라벨
pd.DataFrame({'actual': y_test, 'pred': pred.flatten()})
2Unrecognized keyword
ValueError: Unrecognized keyword arguments passed to Dense: {'activaton': 'relu'}
ValueError: Argument(s) not recognized: {'lr': 0.001}
TypeError: Trainer.compile() got an unexpected keyword argument 'metric'. Did you mean 'metrics'?
원인 인자 이름 오타, 또는 Keras 3에서 사라진 옛 이름(lr 대신 learning_rate). 메시지의 중괄호 안에 틀린 이름이 그대로 적혀 있습니다.
10초 해결 코드
Dense(8, activation='relu')
Adam(learning_rate=0.001)
model.compile(optimizer='adam', loss='mse', metrics=['mae'])
3DataFrame에 문자열이 남음 (object dtype)
ValueError: Invalid dtype: str (DataFrame을 fit에 직접 넣을 때)
ValueError: Invalid dtype: object (df.values를 넣을 때)
ValueError: could not convert string to float: 'Yes' (스케일러에 넣을 때. DataFrame을 fit에 넣을 때도 컬럼 순서에 따라 이 메시지로 표시될 수 있음)
원인 범주형 열을 인코딩하지 않았습니다. 숫자 배열이어야 하는 자리에 문자열 열이 남아 있습니다.
10초 해결 코드
print(df.select_dtypes(exclude='number').columns)
X = pd.get_dummies(X, dtype=int)
X = X.astype('float32')
4NaN loss
4/4 - 1s - 126ms/step - accuracy: 0.6100 - loss: nan
원인 오류 없이 학습만 망가집니다. y 또는 X에 결측치(NaN)나 inf가 남았거나, 스케일링 없이 값이 매우 커서 발산한 경우입니다. 한 번 nan이 되면 이후 epoch에서도 회복되지 않습니다. 입력 X의 NaN은 relu에 가려 겉으로 안 드러나기도 하니 y까지 함께 확인하십시오.
10초 해결 코드
print(df.isnull().sum())
df = df.dropna() # 또는 fillna(중앙값)
print(np.isfinite(X_train_scaled).all())
5metric 이름 오류
KeyError: 'val_acc' (history.history['val_acc'])
ValueError: EarlyStopping callback received monitor=val_acc, but Keras isn't able to automatically determine whether that metric should be maximized or minimized. …
UserWarning: Early stopping conditioned on metric `val_acc` which is not available. Available metrics are: accuracy,loss,val_accuracy,val_loss
원인 metrics=['accuracy']로 컴파일하면 기록 이름은 accuracy/val_accuracy입니다(acc 아님). val_로 시작하는 값은 validation_split(또는 validation_data)이 있어야 생깁니다.
10초 해결 코드
print(history.history.keys())
EarlyStopping(monitor='val_accuracy', mode='max', patience=5)
model.fit(..., validation_split=0.2)
③ 1~14번 문항별 표준 변수명
14문항은 앞 문항의 변수를 이어받는 하나의 파이프라인입니다. 지시문에 변수명이 있으면 그대로, 없으면 아래 이름을 끝까지 유지하십시오. 모델에 넣는 것은 언제나 _scaled 쪽입니다.
| 문항 | 파트 | 하는 일 | 만들 변수명 | 필수 import / 핵심 호출 |
|---|---|---|---|---|
| 1 | 탐색·전처리 | 임포트, CSV 로드, shape/info 확인 | df | 첫 셀 임포트 블록, pd.read_csv, df.shape, df.info() |
| 2 | 타깃 분포·결측 확인, 시각화 ① | df | value_counts(), isnull().sum(), sns.countplot / sns.histplot | |
| 3 | 시각화 ② (분포 비교·상관) | df | sns.boxplot, sns.heatmap(df.corr(numeric_only=True), annot=True), plt.show() | |
| 4 | 결측치 처리 | df | df[col] = df[col].fillna(df[col].median()) / df = df.dropna() | |
| 5 | 이상치 제거(IQR 등), 불필요 컬럼 제거 | df | quantile(0.25), quantile(0.75), 조건 필터, df.drop(columns=[...]) | |
| 6 | 범주형 인코딩 | df | pd.get_dummies(df, columns=[...], dtype=int) / LabelEncoder | |
| 7 | X·y 분리, 학습/테스트 분리, 스케일링 | X, y, X_train, X_test, y_train, y_test, scaler, X_train_scaled, X_test_scaled | train_test_split(X, y, test_size=0.3, random_state=42, stratify=y) (stratify는 분류일 때만), scaler.fit_transform(X_train), scaler.transform(X_test) | |
| 8 | 머신러닝 | DecisionTree 학습·평가 | dt_model, y_pred | DecisionTreeClassifier(random_state=42), fit, predict, accuracy_score |
| 9 | RandomForest 학습·평가 | rf_model, y_pred | RandomForestClassifier(random_state=42), fit, predict | |
| 10 | XGBoost 또는 LightGBM 학습·평가, 세 모델 비교 | xgb_model (또는 lgbm_model) | XGBClassifier(random_state=42) / LGBMClassifier, 정확도 세 개 나란히 print | |
| 11 | 딥러닝 모델링 | 모델 설계 + compile | model | Sequential 또는 Model, Input(shape=(n,)), Dense, Dropout |
| 12 | 콜백 적용 학습 | es, mc, history | EarlyStopping, ModelCheckpoint('best_model.keras', ...), model.fit | |
| 13 | 학습 곡선 시각화 | (history 사용) | history.history['loss'], ['val_loss'], ['accuracy'], plt.plot, plt.legend() | |
| 14 | 딥러닝 추론 | 테스트 평가, 신규 샘플 예측 | pred, y_pred, new_data, new_scaled, new_pred | model.evaluate(X_test_scaled, y_test), model.predict, 아래 4줄 공식 |
첫 셀에 그대로 쓰는 임포트 블록
import tensorflow as tf
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import seaborn as sns
from sklearn.model_selection import train_test_split
from sklearn.preprocessing import StandardScaler, MinMaxScaler, LabelEncoder
from sklearn.metrics import (accuracy_score, classification_report,
confusion_matrix, mean_absolute_error, r2_score)
from tensorflow.keras.models import Sequential, Model
from tensorflow.keras.layers import Input, Dense, Dropout, BatchNormalization
from tensorflow.keras.callbacks import EarlyStopping, ModelCheckpoint
from tensorflow.keras.utils import to_categorical
8~10번 문항에서 추가: from sklearn.tree import DecisionTreeClassifier, from sklearn.ensemble import RandomForestClassifier, from xgboost import XGBClassifier (회귀 문제면 ...Regressor).
④ 콜백 · 신규 샘플 예측
콜백 한 쌍과 fit 한 줄
es = EarlyStopping(monitor='val_loss', patience=5,
restore_best_weights=True)
mc = ModelCheckpoint('best_model.keras',
monitor='val_loss', save_best_only=True)
history = model.fit(X_train_scaled, y_train,
validation_split=0.2, epochs=50,
batch_size=32, callbacks=[es, mc])
저장 형식은 .keras. 먼저 epochs=20으로 끝까지 한 번 완주시키고, 시간이 남으면 늘립니다.
신규 샘플 예측(유형 14) 4줄 공식
new_df = pd.get_dummies(pd.DataFrame([new_data]))
new_df = new_df.reindex(columns=X.columns, fill_value=0)
new_scaled = scaler.transform(new_df)
new_pred = model.predict(new_scaled)
이진은 (new_pred > 0.5).astype(int), 다중은 np.argmax(new_pred, axis=1), 회귀는 new_pred.flatten().
신규 데이터에는 절대 fit하지 않는다. scaler.fit_transform(new_df)는 샘플 한 건으로 평균·표준편차를 새로 계산하므로 값이 전부 0이 됩니다. 학습 때 만든 scaler로 transform만 하십시오. reindex(columns=X.columns, fill_value=0)는 학습 때와 같은 열 순서·개수를 맞추는 핵심 줄입니다.
⑤ 90분 시간 배분
- 40분탐색·전처리1~7번
- 15분머신러닝8~10번
- 18분DL 모델링11~13번
- 7분DL 추론14번
- 10분검토새 코드 금지
막히면 최소 형태로라도 다음 문항으로 넘어가십시오. 뒤 문항의 배점이 더 큽니다. 문항 수와 배점은 시험 회차에 따라 바뀔 수 있으니 반드시 KT AICE 공식 공지로 최신 정보를 확인하십시오.
⑥ 제출 전 6가지 점검
- 위에서부터 재실행 커널 재시작 후 전체 실행해도 끝까지 도는가
- 지시된 변수명 문제지의 이름과 코드의 이름을 눈으로 대조
random_state분리와 모델 인자가 지시한 값인가print()"출력하시오"에 화면 결과가 남아 있는가- 저장 파일명
best_model.keras확장자가 맞는가 - 남은 시간 배점 큰 미완성 문항부터, 구조 변경은 금지