시계열 데이터 기계학습 분석
- 최초 등록일
- 2022.06.28
- 최종 저작일
- 2022.06
- 5페이지/ MS 워드
- 가격 3,000원
소개글
"시계열 데이터 기계학습 분석"에 대한 내용입니다.
목차
1. 서론
2. 본론
1) 시계열 데이터 대상 기계학습 방법
2) 동적시간왜곡(DTW)을 이용한 K-최근접 이웃
3) 실버카이트(Silverkite)
4) 그레디언트 부스팅
3. 결론
4. 참고문헌
본문내용
시계열 분석 방법에는 통계분석 방법이 있고 이외에 기계학습 방법이 있다. 기존에는 통계분석을 통한 시계열 분석방법을 진행하였으며 특히 ARMA, AR, ARIMA 등의 방법을 이용한 다양한 분석을 수행하였다. 하지만 기계학습 모델링이 여러 분야에 있어 적용됨에 따라 이를 이용한 시계열 분석도 시행되었고 모델 성능의 장점으로 인하여 여러 분야에 적용되고 있다. 본 보고서에서는 시계열 분석에 대해서 상세히 알아보도록 하겠다.
II. 본론
1. 시계열 데이터 대상 기계학습 방법
1) 시계열 기계학습 라이브러리에 대한 인기도
- 2021년 중반을 기점으로 Kats와 GreyKite는 최근에 출시되었으며, 깃허브에서 많은 인기를 얻고 있다.
- 하지만 TSFresh가 가장 인기가 많으며, SKTime이 2위로 짧은 기간이지만 많은 인기를 얻고 있다.
2) 시계열 기계학습 모델링 검증
- 기계학습 과제에서는 k폴드 교차 검증을 일반적으로 사용한다.
- 하지만 시계열에서는 이러한 방법을 사용하면 모델 성능을 과신하게 되는 문제가 발생한다.
참고 자료
Ben Auffarth(2021), Machine Learning for Timeseries with Python, Packt