이동 창과 시차

원시 시계열은 들쭉날쭉할 수 있습니다. 이동 창은 가까운 점들의 평균을 구하여 underlying signal을 쉽게 볼 수 있게 합니다. 🌊

창은 최근 데이터 점을 일정 개수만큼 모은 것입니다. 한 단계씩 앞으로 이동하며 각 위치에서 요약값을 다시 계산합니다.

가장 일반적인 방법은 이동 평균입니다. 최근 몇 개 값의 평균을 내어 선을 매끄럽게 만듭니다. pandas를 사용하면 한 줄로 처리할 수 있습니다.

더 큰 창은 더 많이 평활화하지만 느리게 반응하고, 더 작은 창은 민감하게 반응하지만 노이즈가 많습니다. 질문에 맞게 조정하십시오.

창 크기가 7이면 계산하기 전에 7개의 점이 필요합니다. 따라서 충분한 과거 데이터가 쌓일 때까지 첫 행들은 NaN으로 반환됩니다.

이동 계산은 평균에만 사용할 수 있는 것이 아닙니다. 이동 표준편차는 시간에 따라 변동성이 어떻게 달라지는지 보여 주며, 이는 추세만으로는 알 수 없습니다.

시차는 단순히 이전 시점의 값입니다. 어제의 매출을 하나의 열로 사용하면 시차 1 특성이 됩니다.

pandas에서는 shift로 시차를 만듭니다. shift(1)을 호출하면 모든 값이 한 행 아래로 이동하여 각 행이 과거 값을 볼 수 있습니다.

대부분의 시계열은 최근 과거의 영향을 받습니다. 모델에 좋은 시차 특성을 제공하면 어제의 값이 오늘을 예측한다는 패턴을 학습할 수 있습니다.

이전 값을 뺀 값, 즉 값에서 시차를 뺀 값은 단계 간 변화를 나타냅니다. 이것이 차분의 출발점입니다.

강력한 특성 집합은 보통 둘을 함께 사용합니다. 몇 개의 시차와 이동 평균을 결합하면 최근 수준과 방향을 모두 포착할 수 있습니다.

rolling 창으로 값을 평활화하고 shift를 이용한 시차로 과거 정보를 현재로 가져오는 방법을 배웠습니다. 이 둘은 시계열 특성의 핵심입니다.