데이터 한 그릇

이번 장은 시계열 분석을 머신러닝에 적용하는 다음 장의 내용에 대한 대비로 볼 수 있다 시계열을 위한 feature 생성 및 선택에 대해 다룬다 특징 생성이란 시계열 데이터의 가장 중요한 특성을 정량화하여 수치 및 범주형 레이블로 압축하는 방법을 찾는 과정이다 시계열을 묘사할 수 있는 특징들의 집합을 짧게 표현하여 원시 시계열로 압축하곤 한다 특징 생성의 목적은 전체 시계열에 대해 가능한 한 많은 정보를 적은 수의 지표로 압축하는 것 또한 압축된 지표로 시계열의 가장 중요한 정보를 식별하고 그 외의 나머지는 제거할 수도 있다 이 기법은 비시계열을 위해서 개발됏지만 시계열에서도 좋은 결과를 낼 수 있는 머신러닝 기법에 중요하다 만일 특징을 생성했다면 그 특징이 정말로 유용한지 명확히 판단해야 한다 전통적인..

벡터자기회귀 실세계에서는 서로 관련성이 있는 여러 시계열이 병렬로 존재할 수 있다 여러 변수에 대한 AR(p) 모델을 생성해볼 수 있다, 이러한 모델은 변수들에게 서로 영향을 주고받는 상황을 제공한다는 장점을 가진다 대신 적합은 모든 변수에 대해 균등하게 이루어진다 한편 계열이 정상이 아닌 경우 전에 살펴본 모델처럼 차분이 적용될 수 있다 외생변수와 내생변수 변수가 서로 영향을 주는 모델을 사용할 때 통계에서는 이 변수들을 내생변수(endogenous) 라고 한다 모델 내에서 보이는 현상을 통해 이 변수들의 값이 설명될 수 있다는 의미이다 외생변수(exogenous) 는 이와는 대조적인 개념으로 모델 내에서는 변수들의 설명이 어렵다는 뜻을 가진다 즉 가정을 통한 설명이 불가능하다는 의미다 따라서 이러한 ..