(News from) 단변량 및 다변량 시계열의 확률적 예측 - Quasi-Randomized Neural Networks (Ridge2) 및 Conformal Prediction

Ridge2와 컨포멀 예측을 활용한 단변량 및 다변량 시계열 확률 예측 소개 이번 포스팅에서는 시계열 데이터의 단변량(단일 변수)과 다변량(다중 변수) 확률 예측을 수행할 때, Ridge2 회귀와 컨포멀 예측(Conformal Prediction)을 결합하는 방법을 소개합니다. 두 기법을 함께 사용하면, 모델의 예측 불확실성을 정량적으로 반영하면서 높은 예측 정확도를 달성할 수 있습니다. Ridge2 모델 Ridge2는 L2 정규화(Ridge Regression)와 비선형 변환을 결합한 고유한 회귀 모델입니다. 기본적인 Ridge 회귀는 다음과 같은 비용 함수로 정의됩니다. minimize ||y - Xβ||^2 + λ||β||^2 Ridge2는 이 기본식에 비선형 변환 함수 f(·)를 도입해, 다음과 같이 표현됩니다. minimize ||f(y) - f(Xβ)||^2 + λ||β||^2 여기서 f(·)는 데이터에 따라 선택되는 비선형 변환이며, 모델의 유연성을 크게 향상시킵니다. 컨포멀 예측 컨포멀 예측은 주어진 모델의 예측이 얼마나 신뢰할 수 있는지 평가하는 비파라메트릭 기법입니다. 핵심 아이디어는 모델을 사용해 예측값을 만들고, 이를 기준으로 신뢰 구간을 동적으로 조정하는 것입니다. 컨포멀 예측은 다음과 같은 절차로 수행됩니다. 모델을 학습하고, 과거 데이터에 대한 예측값과 실제값을 비교해 nonconformity score를 계산합니다. 새로운 예측값에 대한 nonconformity score를 측정하고, 과거와의 분포를 비교해 p-value를 계산합니다. 사전에 정해진 신뢰수준(예: 90%)에 따라 prediction interval를 구성합니다. 컨포멀 예측은 모델이 가정한 분포에 의존하지 않기 때문에, 다양한 시계열 데이터에 적용하기에 유연합니다. 단변량 시계열 예측 단변량 시계열에서는 특정 시점에 대한 예측값과 그에 따른 불확실성을 제공합니다. 예시 코드는 다음과 같습니다. library(Ridge2) library(conformal) # 데이터 준비 x 위 예시에서 transform="log"는 비선형 변환을 의미하며, alpha=0.1은 90% 신뢰구간을 지정합니다. 다변량 시계열 예측 다변량 예측에서는 여러 변수 간의 상호관계를 활용해 동시에 예측합니다. Ridge2와 컨포멀 예측을 결합한 다변량 모델 예시는 아래와 같습니다. library(Ridge2) library(conformal) # 데이터 준비: 두 변수 y1, y2 x1 위 코드에서 cbind(y1, y2)는 다변량 반응변수를 의미합니다. 컨포멀 예측은 각 변수에 대한 신뢰구간을 동시에 제공합니다. 결론 Ridge2와 컨포멀 예측의 결합은 시계열 데이터에 대한 확률 예측에서 두 가지 장점을 동시에 활용합니다. Ridge2는 비선형 변환을 통한 모델 유연성을 제공하고, 컨포멀 예측은 예측 결과의 신뢰도를 정량적으로 측정합니다. 따라서 금융, 기상, 제조 등 다양한 분야에서 보다 정확하고 신뢰성 있는 예측이 가능해집니다. 추가 정보는 아래 링크에서 확인해 보시기 바랍니다. Ridge2 R 패키지 공식 문서 컨포멀 예측 개념 및 구현 가이드