[Day 24] 신경망을 사용한 시계열 예측 및 모델링
안녕하세요! 오늘은 Day 24입니다! 오늘은 시계열 배운 것을 새로운 데이터에 적용해 봤다 신경망을 사용한 시계열 모델로 원-달러 환율을 예측 오늘 사용했던 데이터는 Day 7에 만든 모델 만들 때도 사용했다 그래도 그때 회귀 모델 만들었는데 오늘은 신경망 모델을 만들어 봤다 데이터는 2000부터 2020까지 ₩-$ 환율 데이터이다 우선, 시계열 예측 하려면, 데이터를 창으로 나누면 좋겠다는 말을 알게 되었다 위에 파라미터를 튜닝에 따라 성능에 큰 영향을 준다. 하루 종일 이 파라미터와 모델 레이어 파라미터 튜닝을 많이 해 봐서 성능이 어떻게 다른지 알게 되는 것이 재미있었다 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 MAE: 0.02755 모델 2 window_size = 183 MAE: 0.03141 모델 4 window_size = 60 MAE: 0.02798 모델 5 shuffle_buffer_size = 5000 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) MAE: 0.02009 모델 11 LSTM 레이어 추가 MAE: 0.01756 모델 12 shuffle_buffer_size = 5000 MAE: 0.04496 모델 13 shuffle_buffer_size=1000, 또한 모델 구조 변경했다 MAE: 0.02415 모델 14 모델 구조 변경 MAE: 0.02625