전통 데이터마이닝 vs 딥러닝

1.2.3  Time-series Learning

• "정확성 vs. 설명력 반비례 관계 존재"

•  

* 데이터마이닝 알고리즘 : KNN RF SVM 등은 조금씩 정확성이 상승하지만 그만큼 결과가 왜 그렇게 나왔는지 설명해주는 포인트는 부족해짐

* 실제로 Tree계열 알고리즘은 최대한 데이터를 세분화 시켜서 구분을 짓는것 -> 구분을 Ratio를 보면서 변수의 특성을 추론 하는 것이지 각각의 변수가 모델의 정확성에 얼마나 기여했는지는 표시하지 못하는 것이 현실

* 최근에 화두인 DNN(딥러닝)은 정확성이 높음과 반대로 불운하게도 설명력은 거의 없다라고 할정도로 이론적 근거가 뚜렷하게 있지가 않다.. (점추정 형태로 정확도가나왔다)이지 왜 그런 정확성이 나왔는지 통계적인 범위가 나왔다거나 이런것 이없음  bias나 variance가 나왔지만 이것은 반복적인 computation 작업이지 이론적 기반은 아님

* 시계열은 주로 회귀분석이 나온 후 충분한 설명력과 정확성을 두루 갖춘게 시계열 알고리즘의 정체(딥러닝도 있음)

* 회귀 분석만 쓰기엔 정확성이 부족하여 데이터마이닝 알고리즘을 써서 정확도를 보완

구체적으로는 리니어 리그레션과 뉴럴네트워크 사이에 TIme series가 있다고 하면 되는데 어쨋든 뿌리는 리그레션 

• 분석단계 비교: 선형(회귀분석) vs 비선형(신경망)

-Linear ModelNeural Network Model

모델특징	-	-
분석목적	선형성파악(설명가능)	비선형성파악(설명불가)
이론적(수학적) 근거	존재	미존재
분석단계 특징(전처리)	-	-
데이터 로딩	Panel Data	다양(운이좋으면 Panel)
데이터 빈칸 채우기/삭제	분석필요	분석필요
데이터 컬럼 추가/삭제	분석필요+민감	분석필요+덜민감
데이터 분리	Train/Validate/Test	Train/Validate/Test
데이터 스케일링	분석필요/미필요	분석필요
분석단계 특징(모델링)	-	-
입력 확인 및 변환	Panel Data	다양(정해지지 않음)
데이터 모델연결	자동화	반자동화
비용함수(Cost)	최소제곱에러(MSE)	다양
추정함수(Optimizer)	고정(미분1회 대체가능)	다양(미분지속)
분석단계 특징(검증)	-	-
정확성지표	다양	다양
잔차진단활용	가능(분석필요)	불가
분석단계 특징(결과해석)	-	-
관계성 시각화/영향력 해석	가능(분석필요)	불가