한가지 의문점이 있습니다! 시계열 분석의 경우 time을 독립변수로 두고 y label을 예측하는게 기본 틀이라고 생각했는데, 강의 마지막부분에서 다른 변수(mconvict 등)으로 회귀식을 만든게 헷갈리네요 ㅜ time 이라는 변수에 대해서 autocorrelation이 존재하므로 기존 회귀식을 적용하기 힘든게 아닌가요? 강의 마지막 예시는 mconvict, degree 등의 변수가 있고 fconvict라는 label값이 존재하는 일반 회귀문제와 뭐가 다른지 혼동이 옵니다!
Time을 독립변수로 두고 y를 예측하는 것은 가장 기본적인 형태의 time series modeling으로 보시면 됩니다. 강의 마지막 모델(예시)은 자세히 설명 드리지는 않았지만 파라미터(beta)를 추정하는 방식이 일반 회귀모델 (최소제곱법 이용)과는 다릅니다. 즉, Time series regression analysis에서는 일반 회귀모델에서의 가정, 특히 오차항이 서로 독립이라는 가정이 위배되기 때문에 최소제곱법을 그냥 이용하면 안됩니다. 랜덤포레스트, 부스팅 등의 머신러닝 모델 등을 이용하여 x, y가 있는 time series 데이터를 분석하는 것이 정확할 때가 많습니다. 또한 RNN 포함 딥러닝 계열 모델이 최근 time series data 분석 추세입니다.
@@김성범교수산업경영공 그럼 일반적으로 시계열 회귀분석을 한다고 하면, 시간에 대한 정보를 담은 변수(요일, 계절, 연도 등등) 를 포함해서 여러 변수가 예측변수로서 사용될 수 있다고 이해하면 될까요? 그리고 ARIMA 같은 경우는 아예 다른 방식으로 전 시점들의 y label 값과 오차들을 변수로서 활용한 모델인 것이지요?
교수님 질 높은 강의 너무 감사드립니다. 졸업하고도 교수님 수업 들을 수 있어서 정말 감사하게 생각하고 있습니다. 교수님 한가지 질문이있습니다! seasonal variation을 모델링하기 위해 1~11월의 binary variable을 생성하면 독립변수들간의 다중공선성 문제는 고려하지 않아도 되는 것일까요?
답변이 늦었습니다. 여러 교재를 사용하는데 Time Series 분석을 이해하는데 좋은 책 몇 권 소개합니다. 1. Bowerman, O'Connell, Koehler, Forecasting, Time Series and Regression. 2. Montomerym Jennings, Kulahch, Introduction to Time Series Analysis and Forecasting 위 교재는 전통적인 time series를 다루고 있으며, 최신 기법들은 하나의 교재를 공부하시기 보다는 인터넷 자료 (강의영상, github, 블로그 등)를 이용하시면 좋습니다.
![김성범[ 교수 / 산업경영공학부 ]](http://yt3.ggpht.com/ytc/AIdro_mWwhQeGQPwIyBiV88b5htY6vhPJfUXlhO1TKC6ur0wnA=s48-c-k-c0x00ffffff-no-rj)
![[핵심 확률/통계] 표본분산의 분포, 카이제곱분포, t 분포, F 분포](http://i.ytimg.com/vi/DyBxYsCow9k/mqdefault.jpg)
![[핵심 머신러닝] 로지스틱회귀모델 1 (로지스틱함수, 승산)](/img/n.gif)
진짜 박사시절에 얼마나 공부하셨을지 가늠이 안되는 강의력이라고 해야하나... 감탄하고 갑니다 교수님...
감사합니다!
한국의 andrew ng 김성범 교수님 훌륭한 강의 감사합니다~
감사합니다!
안녕하세요!
마지막 모델에 대해서 질문드립니다. 혹시 기타 설명변수가 포함된 해당 모델은 arimax 모형인가요? 시계열분해에 대해 강의해주시다, 마지막 모형이 갑자기 나오게 되어서 헷갈리네요 ㅠㅜ.
감사합니다!
확률 통계 보다가 타임 시리즈까지 보게 되는 마력이 있는 강의 입니다. 훌룡한 강의들을 늘 공유해주셔서 감사하게 생각합니당
감사합니다!
많은 내용 배웠습니다!! ARMA, ARIMA 모델들을 외우기만 했었는데, 교수님 강의를 들으며 이해하니 자연스럽게 저 모델의 구성방식과 그 외의 세부사항들에 대한 궁금증이 점점 생깁니다. 감사합니다!!
잘 보겠습니다. 강의 올려주셔서 감사합니다
감사합니다!
한가지 의문점이 있습니다! 시계열 분석의 경우 time을 독립변수로 두고 y label을 예측하는게 기본 틀이라고 생각했는데, 강의 마지막부분에서 다른 변수(mconvict 등)으로 회귀식을 만든게 헷갈리네요 ㅜ time 이라는 변수에 대해서 autocorrelation이 존재하므로 기존 회귀식을 적용하기 힘든게 아닌가요?
강의 마지막 예시는 mconvict, degree 등의 변수가 있고 fconvict라는 label값이 존재하는 일반 회귀문제와 뭐가 다른지 혼동이 옵니다!
Time을 독립변수로 두고 y를 예측하는 것은 가장 기본적인 형태의 time series modeling으로 보시면 됩니다. 강의 마지막 모델(예시)은 자세히 설명 드리지는 않았지만 파라미터(beta)를 추정하는 방식이 일반 회귀모델 (최소제곱법 이용)과는 다릅니다. 즉, Time series regression analysis에서는 일반 회귀모델에서의 가정, 특히 오차항이 서로 독립이라는 가정이 위배되기 때문에 최소제곱법을 그냥 이용하면 안됩니다. 랜덤포레스트, 부스팅 등의 머신러닝 모델 등을 이용하여 x, y가 있는 time series 데이터를 분석하는 것이 정확할 때가 많습니다. 또한 RNN 포함 딥러닝 계열 모델이 최근 time series data 분석 추세입니다.
@@김성범교수산업경영공
그럼 일반적으로 시계열 회귀분석을 한다고 하면, 시간에 대한 정보를 담은 변수(요일, 계절, 연도 등등) 를 포함해서 여러 변수가 예측변수로서 사용될 수 있다고 이해하면 될까요?
그리고 ARIMA 같은 경우는 아예 다른 방식으로 전 시점들의 y label 값과 오차들을 변수로서 활용한 모델인 것이지요?
@@임찬우-j3q 그렇습니다. ARIMA, Exponential Smoothing 기법은 별도의 X를 이용하지 않고 전시점의 Y값 와 오차값을 이용한 모델링 방식입니다.
교수님 질 높은 강의 너무 감사드립니다. 졸업하고도 교수님 수업 들을 수 있어서 정말 감사하게 생각하고 있습니다. 교수님 한가지 질문이있습니다! seasonal variation을 모델링하기 위해 1~11월의 binary variable을 생성하면 독립변수들간의 다중공선성 문제는 고려하지 않아도 되는 것일까요?
이게 이렇게 재밌는 내용이었나요;;
역시. 우리 교수님 오늘 강의도 재미있게 봤습니다. 교수님 영상 보면서 독학하려고 하는데, 혹시 교재는 뭐 사용하시는지 알려주실 수 있나욤?
답변이 늦었습니다. 여러 교재를 사용하는데 Time Series 분석을 이해하는데 좋은 책 몇 권 소개합니다.
1. Bowerman, O'Connell, Koehler, Forecasting, Time Series and Regression.
2. Montomerym Jennings, Kulahch, Introduction to Time Series Analysis and Forecasting
위 교재는 전통적인 time series를 다루고 있으며, 최신 기법들은 하나의 교재를 공부하시기 보다는 인터넷 자료 (강의영상, github, 블로그 등)를 이용하시면 좋습니다.
@@김성범교수산업경영공 우와 교수님 감사합니다. 늦게라도 답 주시는게 어디에용 ㅎㅎ . 교수님 영상 보면서 일일이 다 필기했답니다.
훌륭한 강의 감사합니다
감사합니다!
정말 감사합니다!
감사합니다!