ㅁ 처리 기술

ㅇ 정의:
시계열 데이터를 분석하기 위해 데이터를 분해하거나 합성하는 기술로, 주로 데이터의 패턴을 파악하고 예측 모델링에 활용.

ㅇ 특징:
시계열 데이터의 트렌드, 계절성, 잔차를 분리하거나 합성하여 데이터의 구조를 명확히 이해할 수 있음.

ㅇ 적합한 경우:
데이터의 주기적 패턴을 분석하거나, 데이터의 특정 구성 요소를 제거한 상태에서 분석을 진행할 경우.

ㅇ 시험 함정:
분해와 합성을 혼동하거나, 계절성 데이터가 없는 경우에도 계절성을 고려해야 한다고 잘못 판단.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 시계열 데이터 분해는 트렌드, 계절성, 잔차를 포함한다. (O)
2. 모든 시계열 데이터는 반드시 계절성을 포함한다. (X)

================================

1. 분해

ㅇ 정의:
시계열 데이터를 구성 요소(트렌드, 계절성, 잔차)로 나누는 과정.

ㅇ 특징:
데이터의 구조를 명확히 하고, 각 구성 요소를 개별적으로 분석 가능.

ㅇ 적합한 경우:
데이터의 특정 패턴을 분석하거나, 이상치를 탐지할 때 유용.

ㅇ 시험 함정:
분해된 데이터의 합이 항상 원본 데이터와 동일하다고 가정하는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 분해된 시계열 데이터의 트렌드와 잔차를 합하면 계절성이 제거된 데이터가 된다. (O)
2. 분해는 항상 Multiplicative 방식으로만 이루어진다. (X)

================================

2. 합성

ㅇ 정의:
분해된 시계열 데이터를 다시 합쳐 원본 데이터의 형태를 복원하는 과정.

ㅇ 특징:
각 구성 요소의 합이 원본 데이터와 일치하며, 복원된 데이터의 품질은 분해 단계의 정확성에 크게 의존.

ㅇ 적합한 경우:
예측 모델링 후 결과를 원본 데이터 형태로 변환하거나, 데이터의 전체 패턴을 복원할 때.

ㅇ 시험 함정:
합성된 데이터의 품질이 항상 원본 데이터와 동일하다고 가정하는 오류.

ㅇ 시험 대비 “패턴 보기” 예시:
1. 합성된 데이터는 분해 과정에서 손실된 정보를 포함하지 않는다. (O)
2. 합성은 분해 없이도 가능하다. (X)

ㅁ 추가 학습 내용

분해/합성 기술에 대해 학습할 때 알아야 할 주요 내용은 다음과 같습니다:

1. **Additive(가법)와 Multiplicative(승법) 방식의 차이점과 선택 기준**:
– 가법 모델은 데이터의 변화 폭이 일정할 때 적합합니다. 즉, 데이터의 트렌드와 계절성의 변화가 일정한 크기를 유지하는 경우에 사용됩니다.
– 승법 모델은 데이터의 변화 폭이 데이터 값에 비례할 때 적합합니다. 즉, 데이터가 증가하거나 감소함에 따라 트렌드와 계절성의 변화 폭이 비례적으로 커지거나 작아지는 경우에 사용됩니다.
– 선택 기준은 데이터의 패턴을 분석하여 결정하며, 일반적으로 로그 변환을 통해 승법 모델을 가법 모델로 변환하여 처리하기도 합니다.

2. **계절성 탐지 방법**:
– 계절성은 데이터의 주기적 패턴을 의미하며, 이를 탐지하기 위해 시계열 데이터를 시각화하거나 주기성을 나타내는 지표를 계산합니다.
– 주요 방법으로는 이동 평균, 분해/합성 알고리즘, 또는 Fourier 변환을 사용하여 계절성을 분리하고 분석합니다.
– 계절성의 주기를 파악하고 이를 모델링에 반영하여 더 정확한 예측이 가능합니다.

3. **이상치 처리 방법**:
– 이상치는 데이터의 일반적인 패턴에서 벗어난 값으로, 분석 결과에 영향을 줄 수 있으므로 적절히 처리해야 합니다.
– 이상치를 탐지하기 위해 시각화(예: 박스 플롯, 시계열 그래프) 또는 통계적 방법(예: 표준편차, IQR)을 사용합니다.
– 처리 방법으로는 이상치를 제거하거나 대체값(평균, 중앙값 등)을 사용하는 방법, 또는 이상치를 그대로 유지하고 모델이 이를 견딜 수 있도록 설계하는 방법이 있습니다.

4. **데이터 손실 및 왜곡 최소화 방법**:
– 분해/합성 과정에서 데이터 손실이나 왜곡이 발생할 수 있으므로 이를 최소화하기 위한 방법을 이해하는 것이 중요합니다.
– 데이터의 품질을 유지하기 위해 결측값 보정, 적절한 분해 알고리즘 선택, 그리고 데이터 변환(예: 로그 변환, 스케일링)을 신중히 수행해야 합니다.
– 또한, 분해된 요소(트렌드, 계절성, 잔차 등)를 재조합할 때 원본 데이터와의 일관성을 유지하도록 주의해야 합니다.

이 내용을 바탕으로 분해/합성 기술을 적용할 때 데이터의 특성과 분석 목표에 맞는 방법을 선택하고, 데이터의 품질을 유지하며 이상치를 처리할 수 있는 능력을 키우는 것이 중요합니다.