###### tags: `연대강의`

# 5월 18일

# 프로젝트

다음주는 기말 프로젝트 이전에 개발된 MVP 개발산출물도 함께 공유해주세요!

1. 사응일간
- 프로토타입 모델 개발용 데이터 전처리 완료.
- 더 좋은 모델링 성능을 위해 지속적으로 파생변수 생성 및 스케일링, 변수 추가 등 EDA 진행 예정
- 모델링시 2018년 4월 ~ 데이터를 활용
- 머신러닝 모델링 진행중
- RandomForest, XGboost, LGBM 등 여러 모델 사용 (범주형 변수가 많아서 Catboost 사용 예정)
- 현재까지는 RandomForest가 가장 좋은 성능을(F1 score기준) 보여주고 있음.
- Grid Search를 통해서 최적의 Hyper Parameter를 찾을 예정
- 다른 머신러닝 모델도 논의를 통해 사용 예정.
- 웹 개발을 위한 준비작업 진행 중
- shiny를 기반하여 웹 제작 계획

2. 코뿔소
- 주제: 서울시 수소차 충전소 입지 선정
- 현재 진행상황
- 변수 선정 및 데이터 클렌징 완료
- 모델링/시각화 팀으로 나누어 진행 중
- 타임라인
- 5월 18일: 진행상황~
- 5월 25일: 모델링 시각화 점검 - 2주 간 진행된것 토대로 보완점 제시
- 6월 01일: 모델링 시각화 1차완성 - 데이터 돌려보고 멘토링 받을내용 선정
- 6월 03일: 멘토링과 함께 중간 점검 - 최종조정 방향 선정 및 실행
- 6월 15일: 모델링 시각화 완성 및 논문 작성
- 6월 22일: 깃허브에 게시 + 상품 완성 목표! (웹페이지, 논문)

3. 골든타임
- 의료취약지역에 대한 시각화와 함께 추가적으로 진행할 수 분석에 대해 탐구해봄
- 다양한 통계모형을 하나씩 검토해보며 사용할 수 있는 통계모형에 대해 알아봄
- 로지스틱 회귀분석: 의료취약지역에 대한 확률
- 요인분석 : 자료로부터 latent variable 추출
- Mediation Anlaysis : 여러 요인이 응급의료취약지역에 미치는 방식 분석
- 시계열분석
- 선행 연구 검토 및 의료취약지역 선정 Scoring 변수 논의 및 활용할 데이터셋/API에 맞는 크롤러 코딩

4. Casa
- EDA
- 클러스터링이 필요한 이유와 각 변수와 실거래액 간의 관계를 파악하는데 중심을 두어 진행함
- 모델링
- K-Prototype 클러스터링 기법 적용
- 적당한 k를 설정하기 위해 Elbow Method 적용. 추후 자동화를 고려하여 Elbow를 지정하는 기준을 마련하고 k를 설정하는 알고리즘 완성. 9개의 집단으로 클러스터링 적용.
- 위 비지도학습을 통해여 클러스팅된 데이터를 토대로 sample 수를 확보한 뒤, 이를 통하여 시계열분석을 진행
- 샘플에 따라서 가격 차가 심했기 때문에 min, median, max 값을 산출한 후 해당 3개 항목을 변수로 지정하여 VAR 시계열 모델을 적용
- 결과는 앞선 ARIMA 모델보다 성능이 좋아졌지만, 아직까지 개선방향이 필요

# 강의 교재

- `tidymodels`: https://statkclee.github.io/model/tidyverse-model.html
- https://statkclee.github.io/model/tidyverse-model.Rmd
- `caret` → `tidymodels`: https://statkclee.github.io/model/ml-r-design-matrix.html
- 피처 공학: https://statkclee.github.io/model/model-feature-engineering.html

# 데이터 과학자가 알고 있어 되는 모형을 적어보세요.

* Boosting 모델
* Stacking
* 선형 회귀모형
* 비선형 회귀모형
* 뉴럴 네트워크 모형
* CNN, RNN, R-CNN, RestNet, ...
* LSTM
* 로지스틱 회귀 모형
* Probit,
* Multinomial
* 의사결정나무 모형
* C50 ...
* k-means clustering
* Hierachical Clustering
* Gaussian mixture model
* 구조방정식 모형
* 일반화선형 회귀 모형
* 일반화 가산 모형
* 랜덤포레스트
* SVM
* Naive Bayes
* 자기상관모형
* 다변량 분석 기법
* MANOVA
* PCA
* FA
* 앙상블 모델
* 배깅
* 부스팅
* Bayesian Regression

# 질문: `iris` 헬로월드 예측모형을 제작했는데 부족한 점, 잘못된 점 등을 가감없이 적어보세요.

* K-fold validation을 통해 예측 모델의 평균 값을 구해줘야 한다.
* 간단한 데이터이기 때문에 RandomForest보다는 다른 모형을 써보는 것도 나쁘지 않을 거 같다.
* 시각화를 통해 데이터가 skewed 되어 있는 지 확인 해봐야 한다. (정규분포화 시켜줘야함.)
* Petal Length, Petal_width의 경우는 Bellshape 을 따르지 않아 가공이 필요해 보인다.
* 여러 다른 모형을 사용해 보면서 무엇이 최적인 모형인지 찾는 과정이 필요하다.
* RandomForest 모델에서도 tree의 갯수를 달리해본다던지 다른 모형과 비교가 필요해 보인다.
* train-test split을 반복적으로 수행하면서 최적의 모델을 찾은 것이 좋아보인다.
* 다른 모델을 fitting하여 모델 간 예측정확도를 비교해야한다. 현 모델은 설명력이 부족하다.
* iris_df 의 petal length 분산값이 3.75정도(다른 feature은 1이하)로 높은데 정규화를 거쳐야 한다. (std,minmax,log 등)
* 그렇게 복잡한 데이터가 아니기 때문에 더 간단한 모델로도 일정 수준의 성능을 보여줄 수 있을 것 같다. 해석을 위해 로지스틱 회귀분석을 사용해도 괜찮을 것 같다.
* 변수들 간의 상관관계를 파악할 필요가 있다.
* 변수들을 비교해 보고 scaling 등 실시
* 변수들의 요약통계치를 검토하면서 좀 더 간단한 모델을 적용할 수 있을 것 같다.

# 질문: `iris` 헬로월드 예측모형을 제작했는데 잘한 점도 적어주세요.

* train, test 나눠서 성능 평가할 때 test set을 사용해서 적절하게 성능평가가 된 거 같다.
* 성능 평가할 때 여러 방식을 사용한 점이 좋았다. 성능 지표마다 값이 다르게 나오기 때문.
* 모형의 확장 및 변조가 수월하다
* 성능이 상당히 좋다.
* workflow를 사용하여 전체적인 과정을 한 눈에 확인할 수 있다.
* basemodel 설정을 잘하여 모델은 develop하기 좋다