인공지능 시대

1. 소개 소개 시계열 데이터 분석에 사용하는 통계적 예측 모델 사용 분야 시계열 데이터의 패턴을 만드는 계절성, 추세를 학습하는데 효과적 경제 분석, 판매 예측, 에너지 수요 예측, 기후 및 기상분야 등에 사용 2. 수식 2.1. AR(p) $$ X_t = c + \phi_1X_{t-1} + \phi_2X_{t-2} + ... + \phi_pX_{t-p} + \varepsilon_t $$ 2.2. MA(q) $$ X_t = c + \varepsilon_t + \theta_1\varepsilon_{t-1} + \theta_2\varepsilon_{t-2} + ... + \theta_q\varepsilon_{t-q} $$ 2.3. I(d) $$ \Delta^d X_t = (1 - B)^d X_t = X_..

0. 이전 글 소개 AR모델 설명 [시계열] AR 모델(Autoregressive, 자기회귀) 1. 소개 (Autoregressive) - 설명: 시계열 데이터를 모델링하는 데 사용되는 통계적인 방법 - 가정: AR 모델은 현재 시점의 데이터가 이전 시점의 데이터에 의존한다는 가정에 기반하여 작동 - AR(p)에서 databoom.tistory.com MA모델 설명 [시계열] MA 모델(이동평균, Moving Average) MA(이동평균, Moving Average) 1. 소개 설명 시계열 데이터를 모델링하는 데 사용되는 통계적인 방법 현재 시점의 데이터를 이전 시점의 잔차와 계수의 조합으로 예측 가정: 현재 시점의 데이터가 이 databoom.tistory.com 1. 소개 (Autoregressiv..

1. 소개 소개 시계열 데이터의 계절성을 처리하기 위해 만든 모델 ARIMA 모델을 확장한 모델 사용 분야 계절적 추세와 패턴이 있는 시계열 데이터 분석이 가능하므로, 비즈니스와 경제 분야에서 많이 사용함 2. 수식 2.1. AR(p) 구성 요소 $$ X_t = c + \phi_1X_{t-1} + \phi_2X_{t-2} + ... + \phi_pX_{t-p} + \varepsilon_t $$ 2.2. I(d) 구성 요소 (차분) $$ \Delta^d X_t = (1 - B)^d X_t = X_t - X_{t-d} = \varepsilon_t $$ 2.3. MA(q) 구성 요소 $$ X_t = c + \varepsilon_t + \theta_1\varepsilon_{t-1} + \theta_2\varep..

MA(이동평균, Moving Average) 1. 소개 설명 시계열 데이터를 모델링하는 데 사용되는 통계적인 방법 현재 시점의 데이터를 이전 시점의 잔차와 계수의 조합으로 예측 가정: 현재 시점의 데이터가 이전 시점의 잔차(실제 값과 예측 값의 차이)에 영향을 받는다고 가정 MA(q)에서 q는 차수를 나타냄 사용 분야: 시계열 데이터의 예측, 변동성 분석, 추세 분석 등에 활용 2. 수식 X_t는 현재 시점(t)의 값입니다. μ는 평균값으로, 모델의 기댓값을 나타냅니다. ε_t는 백색 잡음(white noise)으로, 모델에서 설명하지 못하는 불규칙한 요소를 나타냅니다. θ_1, θ_2, ..., θ_q는 각각 1부터 q까지의 시차(lag)에 대한 계수(coefficient)입니다. 이는 이전 시점의 잔..

1. 소개 (Autoregressive) - 설명: 시계열 데이터를 모델링하는 데 사용되는 통계적인 방법 - 가정: AR 모델은 현재 시점의 데이터가 이전 시점의 데이터에 의존한다는 가정에 기반하여 작동 - AR(p)에서 p는 차수를 나타냄 - 사용 분야: 시계열 데이터의 예측, 변동성 분석, 추세 분석 등에 활용 2. 수식 c는 상수 항 φ_1, φ_2, ..., φ_p는 각각 1부터 p까지의 시차(lag)에 대한 계수(coefficient) ε_t는 백색 잡음(white noise) X_{t-1}, X_{t-2}, ..., X_{t-p}는 각각 t-1, t-2, ..., t-p 시점의 데이터 $$ X_t = c + \phi_1 * X_{t-1} + \phi_2 * X_{t-2} + ... + \phi..