데이터 한 그릇

DTW 의 규칙은 다음과 같다 - 한 시계열의 모든 시간은 최소한 다른 시계열의 한 시간에 대응해야 한다 - 각 시계열의 처음과 끝은 서로 처음과 끝에 대응해야 한다 - 시간 간의 매핑은 과거가 아니라 미래로 이동하는 관계만 표현해야 한다, 한 시계열의 시간축상에서 이미 지난 시간을 다른 시계열의 시간에 대응할 수는 없다. 잠깐... 이 책을 계속 봐본 결과 시계열을 위한 머신러닝은 개쓰레기 장인거 같다, 번역 문제인지 원본 문제인지 모르겠는데 공부하는 시간이 아깝다, 딥러닝 장은 다를 수 있으니 거기까지 봐보고 거기도 쓰레기면 그냥 구글링해서 시계열 구현해야겠다

시계열 분석에서의 머신러닝 기법은 비교적 새로운 분야이지만, 가능성을 보여준 분야다 우리가 지금까지 다뤘던 (AR, MA, ARMA, ARIMA) 에서 다뤘던 통계 모델과는 다르다 하지만 머신러닝이 다른 분야에서 유용했던것처럼 시계열에서도 유용함을 입증했다 시계열을 위한 머신러닝은 클러스터링과 트리 기반 방법론으로 예측과 분류 문제를 다룬다 시계열의 특징 생성은 트리 기반 방법론에서 반드시 필요한 과정이다 ARIMA 모델과는 달리 '시간을 인식' 하는 방법론이 아니기 때문이다 클러스터링 및 거리 기반의 분류는 입력(input) 으로 원본 시계열이나 특징을 사용할 수 있다 시계열 자체를 입력으로 사용하려면, 동적시간워핑(DTW) 라는 거리 평가 지표를 알아야 한다 시계열에 직접적으로 적용되는 동적시간워핑은..