[Day 24] 신경망을 사용한 시계열 예측 및 모델링
안녕하세요!
오늘은 Day 24입니다!
오늘은 시계열 배운 것을 새로운 데이터에 적용해 봤다
오늘 사용했던 데이터는 Day 7에 만든 모델 만들 때도 사용했다
그래도 그때 회귀 모델 만들었는데 오늘은 신경망 모델을 만들어 봤다
우선, 시계열 예측 하려면, 데이터를 창으로 나누면 좋겠다는 말을 알게 되었다
파이널 모델은 다음과 같다
Mean absolute error 사용했는데 결과는 다음과 같다
그리고 테스트 데이터로 예측하면 성능은 다음과 같다
이제, 오늘 동안 만들어 본 모델 성능의 사진 및 모델 구조 있다
모델 1
window_size = 183
MAE: 0.03141
모델 4window_size = 60
MAE: 0.02798
모델 5
shuffle_buffer_size = 5000
모델 6
MAE: 0.02503
모델 6
shuffle_buffer_size = 10000
MAE: 0.01939
모델 7
window_size=45
MAE: 0.03332
모델 8
window_size=60
batch_size=16
MAE: 0.02999
모델 9
batch_size=32
그리고 모델 구조 변경했다 (LSTM 레이어 추가)
MAE: 0.01627
모델 10
shuffle_buffer_size = 1000 (original value 원래 그랬다)
모델 11
MAE: 0.02009
모델 11
LSTM 레이어 추가
MAE: 0.01756
shuffle_buffer_size = 5000
MAE: 0.04496
모델 13shuffle_buffer_size=1000, 또한 모델 구조 변경했다
MAE: 0.02415
모델 14모델 구조 변경
MAE: 0.02625
다른 모델도 있었는데 사진을 찍는 것을 잊어 버렸다
오늘은 여기까지입니다!
내일 뵐게요!
