따라하면서 배우는 시계열 예측 프로젝트 (3)

입문, 정형, 교통, 시계열

입문 프로젝트
5 시간 5 스테이지
22 명

프로젝트 설명

어떤 프로젝트일지 시작하기 전에 읽어보세요

선행 학습 교재 시리즈

아래 교재들은 시계열(Time Series) 데이터를 처음 배우는 분들을 위한 연계된 시리즈입니다.

따라하면서 배우는 시계열 예측 프로젝트 (1)

시계열 데이터 이해부터 간단한 EDA까지

따라하면서 배우는 시계열 예측 프로젝트 (2)

시계열 데이터의 월별·일별·요일별 주기성 패턴 분석과 EDA

따라하면서 배우는 시계열 예측 프로젝트 (3)

패턴 기반 예측 모델 구축과 MAE/SMAPE 평가

무엇을 다루는 교재인가요?

이 교재는 시계열 데이터 분석에서 패턴 발견부터 실제 예측 모델 구축까지의 전체 과정을 실습 중심으로 학습할 수 있도록 구성된 종합 가이드입니다. 2024년 택시 수요 데이터를 활용하여 EDA(탐색적 데이터 분석)에서 시작해 예측 모델링과 성능 평가까지 시계열 분석의 완전한 워크플로우를 체험할 수 있습니다.

택시 수요 예측은 시계열 분석의 핵심 개념들을 자연스럽게 학습할 수 있는 최적의 주제입니다. 월별 계절성(12월 최고 vs 8월 최저), 시간대별 일일 사이클(18시 피크 vs 3시 최저), 요일별 주간 사이클(평일 vs 주말 68% 차이) 등 다층적인 시간 패턴들이 명확하게 드러나며, 이러한 패턴들이 실제 예측 모델에서 어떻게 활용되는지 직접 확인할 수 있습니다.

전체적인 모델링 프로세스를 다루면서 시간 순서를 고려한 올바른 Train/Test 분리, 시간 기반 피처 엔지니어링, 여러 예측 모델의 구현과 비교, MAE와 SMAPE 등 다양한 평가 지표 활용, 그리고 모델 성능의 시각적 비교까지 경험할 수 있습니다.

특히 동일한 데이터에 대해 단일 피처 모델(시간만, 요일만)과 결합 피처 모델(시간+요일)의 성능을 정량적으로 비교함으로써, 모델 성능의 차이를 체감할 수 있습니다. SMAPE 기준으로 시간별 모델 42.43%, 요일별 모델 85.07%, 결합 모델 32.17%의 성능 차이를 통해 데이터 기반 의사결정의 중요성을 깊이 있게 이해할 수 있습니다.

이번 교재에서 배워요.

스테이지 1

(2)에서 배운 내용 복습 및 시계열 패턴 재확인

- 시계열 데이터 전처리 과정(pd.to_datetime(), set_index()) 복습과 기본 데이터 구조 재정립
- datetime 인덱스 기반 피처 엔지니어링(hour, weekday, weekday_name, is_weekend) 기법 재학습
- pandas.groupby()를 활용한 시간별, 요일별 패턴 분석 방법 복습 및 핵심 인사이트 재확인
- idxmax(), idxmin() 함수를 통한 최댓값/최솟값 위치 식별 기술 재습득
- 이전 분석에서 발견한 주요 패턴(18시 피크, 3시 최저, 목요일 최고 수요, 평일 vs 주말 68% 비율) 일관성 검증

스테이지 2~3

시계열 패턴 기반 예측 모델링과 MAE 평가

- 시계열 데이터에서 시간 순서를 고려한 올바른 Train/Test 분리 방법 (마지막 7일을 테스트로 사용)
- 시간별, 요일별, 시간+요일 조합별 평균 수요 계산을 통한 단순 예측 모델 구축
- 예측 함수(predict_by_hour, predict_by_weekday, predict_combined) 직접 구현
- MAE(Mean Absolute Error) 평가 지표 구현과 모델 성능 정량적 비교
- 단일 피처 vs 결합 피처 모델의 성능 차이(79.93 vs 67.76 MAE) 분석을 통한 피처 엔지니어링 효과 검증

스테이지 4~5

SMAPE 평가와 모델 성능 분석

- SMAPE 평가 지표 개념 이해와 MAE 대비 장점 파악
- 동일 데이터셋에서 서로 다른 평가 지표(MAE vs SMAPE) 적용 시 모델 순위 변화 관찰
- matplotlib 서브플롯을 활용한 모델 성능 비교 막대그래프와 예측 결과 시계열 그래프 동시 시각화
- 세 가지 예측 모델의 SMAPE 성능 비교(시간별: 42.43%, 요일별: 85.07%, 결합: 32.17%) 및 최적 모델 선택
- 실제값과 예측값의 시각적 비교를 통한 모델 예측 패턴 분석과 개선 방향 도출

학습이 끝나면 이런 것들을 할 수 있어요.

✓

시계열 데이터에서 시간 순서를 고려한 올바른 Train/Test 분리 방법을 적용하여 데이터 리키지를 방지할 수 있어요

✓

MAE와 SMAPE 두 가지 평가 지표를 구현하고 활용하여 모델 성능을 다각도로 평가할 수 있어요

✓

단일 피처 모델과 결합 피처 모델의 성능을 비교하여 피처 엔지니어링의 실질적 효과를 검증할 수 있어요

✓

실제값과 예측값의 시각적 비교를 통해 모델의 예측 패턴을 분석하고 개선점을 도출할 수 있어요

이런 분들에게 추천해요.

시계열 EDA에서 발견한 패턴들이 실제 예측 모델에서 어떻게 활용되는지 이해하고 싶은 분

MAE, SMAPE 등 다양한 평가 지표의 차이점과 각각의 장단점을 실제 데이터로 비교해보고 싶은 분

복잡한 딥러닝 모델을 배우기 전에 단순한 통계 기반 예측 모델부터 차근차근 이해하고 싶은 분

피처 엔지니어링의 효과를 정량적으로 측정하고 검증하는 방법을 배우고 싶은 분

프로젝트 과정

차근차근 단계를 밟아 학습해보세요.

스테이지 5 개

1. (2)에서 배운 내용 복습

2. 인사이트(시간, 요일, 시간+요일)를 활용한 예측 모델링(MAE)

3. QUIZ - 인사이트를 활용한 예측 모델링(MAE) 이해하기

4. 인사이트(시간, 요일, 시간+요일)를 활용한 예측 모델링(SMAPE)

5. QUIZ - 인사이트를 활용한 예측 모델링(SMAPE) 이해하기

내 학습 진도

1. (2)에서 배운 내용 복습

데이스쿨

안녕하세요! 🙋‍♀️ 데이스쿨은 인공지능 초/중급 학습자를 위한 프로젝트 학습, 해커톤, 트랙으로 구성된 학습 플랫폼이에요. 부단한 연습과 매일의 작은 노력을 통해 여러분의 학습 목표를 달성해 보세요. 🏆 여러분의 성공을 위해 데이스쿨이 함께 할게요. 🎉 📧 문의: dacon0school@gmail.com