TimeSeries 썸네일형 리스트형 TimeSeries with Python - 차분 & 차분을 이용한 예측값 구하기 이번 포스팅에서는 데이터의 일차 차분 및 이차 차분을 구하는 법에 대해서 알아보고, 그것들을 이용한 데이터 예측값을 어떻게 구하는지 살펴본다. 차분의 중요성은 Non-Stationary Data를 Stationary Data로 바꾸는 방법중의 하나이며, 특히나 데이터의 Trend가 있을 경우 많이 사용하는 방법 중 하나이다 차분을 왜 사용하는지에 대한 내용은 ARIMA 모델을 다루면서 자세히 설명하고 지금은 포스팅의 제목의 맞게 차분과 차분을 이용한 예측값을 구하는 방법을 포스팅 하겠다. df = pd.read_csv('path', index_col = 0, parse_dates=True) df.head() df['b'].plot(figsize=(12,5),ylim=[0,100], title='Non-S.. 더보기 TimeSeries with Python _ 예측값 평가 및 Stationary & Non_Stationary Process 이번 시간에서 다룰 주제는 우선 두가지다. 첫번째: 지난 포스팅에서 예측한 값들을 평가하는 방법(즉, 얼마나 잘 예측했나)들을 소개한다. (Mean-Absolute-Error, Mean-Squared-Error, RMSE) 두번째: Stationary Process & Non - Stationary Process 세가지 주제 다 시계열에서 다루는 가장 기초적인 주제이지만, 앞으로도 계속 활용될 것이며 이것들을 명확히 알아야 앞으로의 모델링에서 어떠한 목표를 가지고 설계하는지 명확히 알 수 있기 때문에 포스팅을 한다. 첫번쨰. 예측값을 평가하는 방법 예측값을 평가하는 방법은 크게 3가지 이고, 첫번째는 예측한 모델의 값과 실제 값의 차이의 절대값의 합을 나타낸 MAE(Mean Absolute Error)인.. 더보기 이전 1 다음
