📝 PaperTitle : SOFTS: Efficient Multivariate Time Series Forecasting with Series-Core FusionAuthor : Lu Han, Xu-Yang Chen, Han-Jia Ye, De-Chuan ZhanPublish : 2024, https://arxiv.org/abs/2404.14197Keyword : Multivariate Time Series Forecasting(MTSF), MLP-based Model, STAR Module, Channel Independence, Linear Complexity 🌄 연구의 배경 및 목적연구 배경과거에는 ARIMA 및 지수 평활과 같은 단순한 모델이 시계열 예측의 표준이었으나, 최근에는 RNN, C..

Keyword behavioralize(행동화) : 행동의 의미를 파악하는 방법, 의미를 알기 힘든 변수 등인간 행동의 기본 모델 Personal Characteristic(개인 특성) : 점진적으로만 변하는 모든 개인정보를 의미합니다. Cognition & Emotion : 감정, 인지, 심성 모형(mental model), 신념과 같은 정신 상태를 말합니다. Customer satisfaction(CSAT) : 고객 만족도, 회사의 제품, 서비스 또는 전반적인 경험에 대해 고객이 얼마나 만족하는지 측정하는 척도를 말합니다. NYT 테스트 : New York Times 신문 1면에 실릴 정도로 나의 아이디어가 상사를 감동시킬 수 있는지 자기 평가 Sludge(슬러지) : 속임수 마케팅, 소비자의 행동을..

인과 - 행동 프레임 워크인과관계 분석이란?인과관계 분석은 비즈니스 문제를 인간의 행동에서 답을 찾습니다. 상관관계와는 다른 개념입니다. 인과관계는 한 변수가 다른 변수에 직접적인 영향을 미치는 관계를 의미합니다.1.1 분석의 유형분석에는 기술 분석, 예측, 인과관계 세 가지 유형이 있습니다.^기술 분석 기술 분석은 데이터에 대한 설명을 제공합니다. (~는 무엇인가, 이미 측정한 것)지난달에 얼마나 많은 고객이 서비스 구독을 취소했나요?작년 이익은 얼마인가요?평균이나 간단한 지표를 계산할 때 기술 분석을 사용합니다. 간단한 지표지만 실무에 상당히 효과적이고 직관적입니다.^예측 분석 예측 분석은 예측을 제공합니다. (~는 무엇이 될까?(미래), 아직 측정하지 않은 것)다음 달 구취(구독 취소)는 몇 명이나..

Goolge Bigquery는 상당히 많은 기능을 지원한다. SQL부터 ML, 스케줄링, 데이터 분석 등 데이터가 들어가는 직군에 종사 한다면 모를  수가 없다.  그만큼 편하고 쉽다. 처음 접한다고 어렵게 생각 했던게 부끄러울 정도로 안되는 것보다 되는 것이 많다. Bigquery란?더보기BigQuery는 머신러닝, 지리정보 분석, 비즈니스 인텔리전스와 같은 기본 제공 기능으로 데이터를 관리하고 분석할 수 있게 해주는 완전 관리형 엔터프라이즈 데이터 웨어하우스입니다. BigQuery의 서버리스 아키텍처에서는 SQL 쿼리를 사용하여 제로 인프라 관리에 관한 조직의 가장 큰 질문을 해결할 수 있습니다. BigQuery의 확장 가능한 분산형 분석 엔진을 통해 테라바이트급 쿼리를 초 단위로 수행하고 페타바이트..

Auto Arima Summary Table 설명 ARIMA 모형을 다루면 꼭 봐야하는 Table이다. 한번의 시행으로 모형을 정한다면 Auto ARIMA의 결과를 보지 않을 수 있으나 통계적 모델인 만큼 유의성 검증이 필요하다. 기본적인 설명 ARIMA는 차분과 이동평균선 모형의 차수로 y = a(0) + p(0) + a(1) + p(1) ... 이런식으로 단순한 모형에서 복잡한 모형으로 만들어간다. (1) 위의 Summary Table에서 중요한 점은 Log Likelihood의 값이 내가 이전 시행 모델 보다 커졌는지가 중요하다. 우도의 결과가 보통 Positive Value 이지만 음수여도 꼭 모델이 틀린 것은 아니다. 이 의미는 "모델이 data에 fit한지 보는 것" 이다. (클 수록 잘 fi..

K-NN (k-최근접이웃) *안정적이지만 편향된 선형 모델 vs 덜 안정적이지만 덜 편향적인 모델 *어떠한 x든지 이에 가까운 관측치의 이웃을 꽤 많이 찾고 평균을 구할 수 있다. -> 하지만 high dimension에서 이 방식은 통하지 않는다. curse of dimensionality(Bellman, 1961) p차원 유닛의 초입방체내 균일하게 분포된 입력값에 관한 K-NN 모델 가정 $e_{r}$= $r^\frac{1}{p}$ 고차원에서 표집의 다른 중요한 점은 모든 표본 지점들이 표본의 모서리와 가깝다는 것이다. N개의 데이터 지점이 있을 때 원점으로부터 가장 가까운 데이터 지점의 중앙값의 거리를 $d(p,N) = (1 - \frac{1}{2}^(1/N))^(1/p)$ N=500, p=10 d..