오답노트

Permutation Feature Importance SVM 과 KNN 같은 알고리즘은 Feature Importance를 알 방법이 없다. 하지만 Permutation Feature Importance를 활용하면 알고리즘의 상관없이 변수 중요도를 파악할 수 있다. Feature 하나의 데이터를 무작위로 섞고 예측했을 때, model의 Score가 섞기 전과 섞은 후 얼마나 감소되는지 계산하는 방식이다. 특정 Feature에 대해서, 여러 번 시도해서 나온 Score의 평균 계산하여 그것을 원래 model 의 Score와 빼 변수 중요도를 판별하는 방법이다. 하지만 다중 공성성이 있는 변수가 존재할 때, 관련된 변수는 그대로 존재하므로 Score가 줄어들지 않을 수 있다. from sklearn.ins..

모델에 대한 설명 모델을 통해 예측하고 예측한 결과를 통해 비즈니스 문제를 해결한다. 하지만 인공지능이 예측한 결과라는 근거는 아무런 설득이 되지 않는다. 그 인공지능이 예측을 할 때, 어떤 변수를 고려하여 예측했는지가 중요하다. 이 모델들은 설명하기 쉬울 수록 White Box Model, 설명하기 어려울수록 Black Box Model 이라고 한다. 경향을 봤을 땐 White Box Model에 가까울 수록 성능이 낮다고 볼 수 있다. Tree 기반 모델의 변수 중요도 Tree 기반의 모델들은 feature importance라는 변수에 해당 모델의 변수 중요도가 입력되어 있다. 이 feature importance는 어느 한 노드에서 정하는 것이 아닌 모델 전체에 노드에서 봤을 때, 평균적으로 가장..

전처리 import pandas as pd import numpy as np import matplotlib.pyplot as plt import seaborn as sns import scipy.stats as stats import statsmodels.api as sm from statsmodels.graphics.tsaplots import plot_acf, plot_pacf from sklearn.metrics import * # 검증 함수 def residual_diag(residuals, lags = 20) : print('* 정규성 검정(> 0.05) : ', round(stats.shapiro(residuals)[1],5)) print('* 정상성 검정(< 0.05) : ', round(..

전통적 시계열 모델링 y데이터의 이전 시점 데이터들로 부터 흐름의 패턴을 추출하여 예측한다. (feature는 사용하지 않음) AR (Auto Regressive) target을 자기자신으로 하고 이전 시점의 데이터를 feature로 갖는 모델이다. AR의 hyper parameter는 p로 얼마나 과거의 데이터를 볼 것인지 나타낸다. (차수) y가 정상(Stationary)데이터야 한다. MA (Moving Average) target을 자기자신으로 하고 해당 시점과 그 과거의 예측 오차들을 feature로 갖는 모델이다. MA의 hyper parameter는 q로 얼마나 과거의 데이터를 볼 것인지 나타낸다. (차수) y가 정상(Stationary)데이터야 한다. ARIMA AR 과 MA 모델을 결합하..

시계열 데이터 시간의 흐름에 따른 패턴 분석 흐름을 어떻게 정리할지에 따라 모델링 방식이 달라진다. 전통적인 시계열 데이터 분석 target 데이터만으로 예측하는 것을 의미한다. ML 기반 시계열 데이터 분석 전통적인 시계열 분석은 target 뿐만 아니라 feature 데이터도 사용하여 데이터의 특정 시점과 예측 대상 시점과의 관계로부터 패턴을 추출하여 예측 시점이므로 데이터는 1차원이다. DL 기반 시계열 분석 데이터의 특정 구간과 예측 대상 시점과의 관계로 부터 패턴을 추출하여 예측한다. 구간이므로 데이터는 2차원이다. 사전확인 오류 특정 시점에서 알 수 없는 데이터를 분석 단위로 묶어서 분석 및 예측하는 오류 feature들의 시점과 Target의 시점은 달라야한다. NaN 조치 이전 값 또는 이..

DBSCAN k-means 에서는 k 값을 알아야만 제대로 데이터들을 분리할 수 있었다. 하지만 DBSCAN(Density-Based Spatial Clustering of Applications with Noise)은 k값을 몰라도 데이터를 분류해 낼 수 있다. DBSCAN 절차 (출처 : http://primo.ai/index.php?title=Density-Based_Spatial_Clustering_of_Applications_with_Noise_%28DBSCAN%29) 임의의 한 점으로 부터 시작 반경 범위내에 최소 포인트 수가 존재하는지 확인 존재한다면 포인트들을 중심으로 다시 원을 그려 최소 포인트 수 확인 2~3 반복 존재하지 않으면 군집에 포함되지 않은 점으로 이동하면 1~4 반복 어느 ..

k-means (출처 : https://stanford.edu/~cpiech/cs221/handouts/kmeans.html ) k-means는 데이터를 좌표평면에 위치시킨 후 임의의 위치에 k개 점을 찍는다. 그리고 각 데이터들은 k개의 점들중에 가장 가까운 점에게 군집된다. 그 후 k 개의 점은 군집된 데이터들의 중심 위치로 재위치 시킨다. 그리고 다시 데이터들이 k개의 점들중 가장 가까운 점에게 군집되는 과정을 중심 위치의 변화가 거의 없을 때까지 반복한다. 위 과정이 걸리는 시간은 매우 빠르지만 k는 모델링을 할 때 우리가 정해줘야한다. (비지도인데 지도를 해야한다니..) k 값 선정 방법 Inertia value를 통해서 k 값을 유추해 볼수있다. Inertia value는 군집화가 된 후, 각..

Gradient Boost Gradient Boost는 Boosting 기법에서 모델을 Dicision Tree를 사용하는 알고리즘이다. xgboost Gradient Boost를 모델링할 수 있는 라이브러리이다. 간단하게 불러오는 방법과 hyper parameter를 알아보자 from xgboost import XGBClassifier model = XGBClassifier(n_estimators = 5,max_depth=3,learning_rate = 0.3) pred = model.predict(x_val) print(classification_report(y_val, pred)) ''' precision recall f1-score support 0 0.71 0.72 0.72 769 1 0.70 ..

Boosting 부스팅은 여러 모델을 결합해서 오차를 줄이는 모델을 구성하는 방식이다. 모델의 개수에 따라 성능과 예측 결과가 달라진다. (출처 : https://towardsdatascience.com/boosting-algorithms-explained-d38f56ef3f30) 위 사진은 부스팅의 원리를 설명하고 있다. 우선 모델1은 train 데이터를 받아 학습한다. 그리고 실제값과 예측값의 차이를 모델2의 실제값으로 사용한다. 모델2는 train 데이터를 받아 학습하고, 모델1에서 나온 결과와 예측값의 차이를 모델3의 실제값으로 사용한다. 이 과정을 계속 반복하여 모델들의 예측값을 모두 더한 값을 최종 예측값으로 한다. 모델의 개수는 Hyper Parameter로 지정할 수 있고, 모델의 개수가 ..

Random Forest Bagging 알고리즘에서 모델에 Dicision Tree를 사용한 것이 Random Forest다. 기존 Dicision Tree는 모든 Feature들 중에서 Information gain이 제일 높은 Feature를 선택했다. 하지만 Random Forest에서는 무작위로 선택된 n개의 Feature들 중에서 Information gain가 제일 높은 Feature를 선택한다. Information gain가 상대적으로 낮은 Feature도 모델링 된다는 것을 의미한다. 이 때 무작위로 선택하는 n의 개수가 작을 수록 더 랜덤한 모델이, 클 수록 대부분 비슷한 모델이 만들어진다. RandomForestClassifier(Regressor) from sklearn.ensemb..