Learn AI with Python · 강의

시계열 구성 요소와 정상성

추세, 계절성, 잡음, 정상성을 위한 ADF 검정, 정상성을 달성하기 위한 차분을 다룹니다.

시계열 구성 요소와 정상성은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

시계열이란 무엇인가

시계열은 일일 판매량이나 시간별 기온처럼 시간 순으로 색인된 데이터입니다. 관측값은 순서가 있고 서로 상관되는 경우가 많으므로 특별한 기법이 필요합니다. 일반적인 표 형식 데이터처럼 행을 단순히 섞을 수 없습니다.

세 가지 구성 요소

고전적인 관점에서는 시계열을 다음과 같이 분해합니다.

추세: 장기간에 걸쳐 위나 아래로 움직이는 방향입니다.
계절성: 일정한 주기(주간, 연간)로 반복되는 패턴입니다.
잔차: 추세와 계절성을 제거한 뒤 남는 무작위 잡음입니다.

가법과 승법 비교

가법 모델에서는 y = trend + seasonality + residual을 사용하며, 계절에 따른 변동 폭의 크기가 일정할 때 적합합니다.

승법 모델에서는 y = trend * seasonality * residual을 사용하며, 추세가 커질수록 계절에 따른 변동 폭도 커질 때 적합합니다.

seasonal_decompose

통계 모델 라이브러리는 시계열을 구성 요소로 자동 분해할 수 있습니다.

from statsmodels.tsa.seasonal import seasonal_decompose

result = seasonal_decompose(series, model="additive", period=12)
result.trend
result.seasonal
result.resid

분해 결과 시각화하기

결과를 도표로 나타내면 각 구성 요소가 차례로 표시되어 추세와 계절성을 쉽게 확인할 수 있고, 예측 방법을 선택하는 데 도움이 됩니다.

import matplotlib.pyplot as plt

result.plot()
plt.tight_layout()
plt.show()

정상성이란 무엇인가

시계열은 통계적 특성(평균, 분산, 자기상관)이 시간에 따라 일정하게 유지될 때 정상성을 가집니다. ARIMA와 같은 많은 고전적 모델은 정상성을 가정하므로, 이를 확인하고 확보하는 것이 중요한 첫 단계입니다.

정상성이 중요한 이유

시간이 지나면서 평균이 이동하거나 분산이 폭발적으로 커지면, 초기 데이터에 적합한 모델이 이후 데이터에 일반화되지 않습니다. 추세를 제거하고 분산을 안정화하면 시계열을 일관된 방식으로 예측할 수 있습니다.

ADF 검정

Augmented Dickey-Fuller(ADF) 검정은 정상성을 확인합니다. 귀무가설은 "비정상(단위근이 있음)"입니다. p값이 0.05보다 작으면 귀무가설을 기각하고 시계열을 정상적이라고 볼 수 있습니다.

from statsmodels.tsa.stattools import adfuller

stat, pvalue, *_ = adfuller(series)
print("p-value:", pvalue)
# pvalue < 0.05  -> stationary

차분으로 정상성 확보하기

차분은 각 값에서 바로 이전 값을 빼서 추세를 제거합니다. 1차 차분은 보통 선형 추세를 처리하며, 필요하면 다시 적용하십시오.

diff1 = series.diff().dropna()      # first difference
diff2 = series.diff().diff().dropna()  # second difference

차분 후 확인하기

차분한 시계열에 ADF 검정을 다시 실행하십시오. p값이 0.05 아래로 내려가면 정상성을 확보한 것이며, ARIMA에 바로 사용되는 차분 차수 d를 기록합니다.

stat, pvalue, *_ = adfuller(series.diff().dropna())
print("p-value after differencing:", pvalue)

그 밖의 안정화 변환

시간이 지날수록 분산이 커진다면 차분하기 전에 log 또는 Box-Cox 변환으로 분산을 안정화할 수 있습니다. log 변환과 차분을 함께 사용하면 실제 데이터에서 나타나는 많은 승법적 성장 시계열을 처리할 수 있습니다.

import numpy as np

log_series = np.log(series)
stationary = log_series.diff().dropna()

빠른 확인

정상성에 대한 이해도를 확인해 보십시오.

복습

seasonal_decompose로 시계열을 추세, 계절성, 잔차로 분해하고, 가법 모델과 승법 모델을 배우고, ADF 검정으로 정상성을 확인하고, 차분(차수 d)으로 시계열을 정상적으로 만드는 방법을 배웠습니다. 다음 주제는 ARIMA와 SARIMA입니다.

자주 묻는 질문

“시계열 구성 요소와 정상성” 강의는 무료인가요?

네 — “시계열 구성 요소와 정상성” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“시계열 구성 요소와 정상성”에서 뭘 배우나요?

추세, 계절성, 잡음, 정상성을 위한 ADF 검정, 정상성을 달성하기 위한 차분을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“시계열 구성 요소와 정상성” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기