시계열기계학습

소개

"시계열기계학습"에 대한 내용입니다.

목차

I. 서론

II. 본론
1. 시계열 기계학습 라이브러리
2. 시계열 모델링 성능 검증
3. 동적 시간 왜곡(DTW)을 이용한 k-최근접 이웃
4. 실버카이트(Silverkite)
5. 그래디언트 부스팅

III. 결론

IV. 참고문헌

본문내용

I. 서론
본 보고서에서는 시계열 데이터 대상 기계학습 방법에 대해서 알아보도록 하겠다. 현재 시계열 데이터를 분석하기 위한 통계적 분석 방법외에도 기계학습 방법을 이용하는 방법이 여러가지가 있으며 나름대로 좋은 성능을 보여주고 있다. 이외에도 시계열 데이터는 본래의 데이터 특성으로 인하여 모델을 훈련시키고 테스트하는데 있어 여러가지 측면에서 주의가 필요하다. 이를 위해 Walk forward검증 방법이 제시되었고 훈련과 검증 데이터셋을 이용하여 모델 매개변수를 조정하고, 시간적으로 더 진행된 데이터셋을 이용하여 테스트하고 벤차마킹을 진행한다. 본 보고서에서는 이러한 기계학습을 이용하여 시계열 데이터를 분석하고 성능을 검증하기 위한 방법에 대해서 알아보겠다.

II. 본론
1. 시계열 기계학습 라이브러리
1) Kats
- 하이퍼파라미터 튜닝과 앙상블 학습을 포함한 많은 고급 기능을 제공하는 라이브러리임
- 다른 하이퍼파라미터 튜닝 알고리즘에 비해 약 6~20배 빠름

참고자료

· Auffarth(2021), Machine Learning for Time-Series with python, Packt