50+ days of Machine Learning

 안녕하세요! 오늘은 Day 7입니다! 오늘 굉장히 재미있는 것을 도전했다. Kaggle의 시계열 course에서 배운 것을 튜터리얼 데이터 아니라 다른 데이터를 사용하여 적용해 봤다. 한·미화(韓美貨)의 환율 예측 - 선형 회귀 모델 서울 자전거 대여 수요 예츨 - 선형 회귀 모델 및 계절성 피처  자세한 정보는 위 링크 클리크하여 확인해 주시면 감사하겠습니다. 내용을 요약하자면: 한·미화(韓美貨)의 환율 예측 - 선형 회귀 모델 Kaggle의 시계열 course를 따라 한-미화의 환율 예츨 모델을 구성하고자 한다. 데이터는 누락 데이터를 처리하는 데 interpolate() 사용하고 시각화 좀 하기도 했다. 피처 엔지니어링: lag_1 ( 지연값) 하나만 만들었다.  won_dolla와 관계를 살펴보기 위해 위에 있는 시각화 만들었다. 관계는 이렇게 선형을 따라 lag_1 피처가 won_dollar에 영향을 준다는 뜻이다 모델 구성: 간단한 선형 회귀 모델을 구성한다 모델 평가: R-squared, MSE, MAE를 사용했다 결과: R-squared: 0.9940588280410957 Mean Squared Error: 63.36394443791358 Mean Absolute Error: 4.608992127520536 Homoscedasticity check: 모델 결과는 좋으면서도 피처는 lag_1밖에 안 써서 좋은 모델이 아니라는 것을 잘 알고 있는데 그냥 어제 배운 것을 실제로 적용하도록 했다. 서울 자전거 대여 수요 예츨 - 선형 회귀 모델 및 계절성 피처  서울 자전거 수요 데이터를 활용한 시계열 예측을 살펴봤는데 이 데이터에는 서울에서 대여한 자전거의 일별 및 시간별 정보와 날씨 정보가 포함되어 있다. 목표는 계절성 피처과 휴일 정보를 통합한 기본 선형 회귀 모델을 구성하는 것이었다. Categorical 피처 처리 연습했다 또 시각화 만들어 봤다. Trend 있는지 확인했다 (특별 trend 없음) 계절성 있는지 확인했다 Annual 있는데