Skip to content

Latest commit

 

History

History
198 lines (152 loc) · 7.29 KB

chapter-14.md

File metadata and controls

198 lines (152 loc) · 7.29 KB

빅데이터 분석의 첫걸음 R코딩

14. 인공지능과 인공 신경망

인공지능 분류
전문가 시스템 지식 체계를 if then else의 규칙으로 전부 표현하고자 함.
퍼지 이론 자연언어에서의 애매모호함을 정량적으로 표현하고자 함.
기계 학습 컴퓨터에 인공적인 학습이 가능한 지능을 부여
유전 알고리즘 자연의 진화 과정으로 특정한 문제의 적절한 답을 찾고자 함.


  • 은닉층 (hidden layer): 입력층과 출력층 사이 층
  • 심층(deep) 신경망: 은닉층이 2개 이상
  • 인공 신경망 모형 구조 정의 → 시계열 데이터 읽기 → 테스트 → 최적 모형 선정 → 예측

addition: 시계열 데이터 예측을 위한 인공 신경망 모형

  1. 1단계 예측: 바로 다음 시점의 출력을 예측
  2. 다단계 예측: 다수 값을 한꺼번에 예측

본격적으로

# install.packages("xlsx")
# install.packages("nnet")
library(xlsx)
## Warning: package 'xlsx' was built under R version 3.6.3

library(nnet)
## Warning: package 'nnet' was built under R version 3.6.3

1. 구조 정의

  • 입력 노드: 10, 출력 노드: 5
  • 은닉층: 1, 은닉 노드: 20
  • 반복 횟수: 500
inputs = 10; outputs = 5
hidden_layers = 1
hiddens = inputs * 2
iterations = 500

2. 데이터 읽기

data = read.xlsx2(file.choose(), 1)
head(data)
##         일자 현재지수   대비 등락률... 배당수익률... 주가이익비율 주가자산비율
## 1 2016/01/04 1,918.76 -42.55     -2.17          1.36        14.74         1.08
## 2 2016/01/05 1,930.53  11.77      0.61          1.35        14.83         1.08
## 3 2016/01/06 1,925.43  -5.10     -0.26          1.35        14.79         1.08
## 4 2016/01/07 1,904.33 -21.10     -1.10          1.37        14.63         1.07
## 5 2016/01/08 1,917.62  13.29      0.70          1.36        14.73         1.08
## 6 2016/01/11 1,894.84 -22.78     -1.19          1.38        14.55         1.06
##   시가지수 고가지수 저가지수 거래량.천주. 거래대금.백만원. 상장시가총액.백만원.
## 1 1,954.47 1,954.52 1,918.76      359,018        3,966,274        1,215,384,387
## 2 1,911.93 1,937.57 1,911.93      446,549        4,197,594        1,222,621,740
## 3 1,934.25 1,934.25 1,911.61      594,613        6,274,717        1,219,296,930
## 4 1,915.71 1,926.41 1,901.24      393,042        5,003,025        1,205,546,062
## 5 1,889.42 1,918.25 1,883.82      430,204        5,205,454        1,213,738,733
## 6 1,897.18 1,907.43 1,892.69      328,768        4,509,490        1,199,940,483

data$현재지수 = gsub(",", "", data$현재지수)
data$현재지수 = as.numeric(data$현재지수)
head(data)
##         일자 현재지수   대비 등락률... 배당수익률... 주가이익비율 주가자산비율
## 1 2016/01/04  1918.76 -42.55     -2.17          1.36        14.74         1.08
## 2 2016/01/05  1930.53  11.77      0.61          1.35        14.83         1.08
## 3 2016/01/06  1925.43  -5.10     -0.26          1.35        14.79         1.08
## 4 2016/01/07  1904.33 -21.10     -1.10          1.37        14.63         1.07
## 5 2016/01/08  1917.62  13.29      0.70          1.36        14.73         1.08
## 6 2016/01/11  1894.84 -22.78     -1.19          1.38        14.55         1.06
##   시가지수 고가지수 저가지수 거래량.천주. 거래대금.백만원. 상장시가총액.백만원.
## 1 1,954.47 1,954.52 1,918.76      359,018        3,966,274        1,215,384,387
## 2 1,911.93 1,937.57 1,911.93      446,549        4,197,594        1,222,621,740
## 3 1,934.25 1,934.25 1,911.61      594,613        6,274,717        1,219,296,930
## 4 1,915.71 1,926.41 1,901.24      393,042        5,003,025        1,205,546,062
## 5 1,889.42 1,918.25 1,883.82      430,204        5,205,454        1,213,738,733
## 6 1,897.18 1,907.43 1,892.69      328,768        4,509,490        1,199,940,483

데이터 전체 확인

attach(data)
plot(일자, 현재지수, xlab = "일자", ylab = "현재지수 (종가)", type = 'o')

3. 테스트

  • train: 1-116 vs test: 117-121
  • 입력: (1-10), (1-11), (2-12), (3-13), …, (102-111)
  • 출력: (11-15), (12-16), (13-17), (14-18), …, (112-116)
  • 오류율 MAPE (Mean Absolute Percentage Error) 채택

근데 이러면 가중치 평균의 정의에 따라 극으로 갈수록 가중치가 작아지는 데?
물론 많아야 9 * 2개 정도겠지만, MA 모형 같은 느낌입니다?

getDataSet = function(item, from, to, size) {
  dataframe = NULL
  to = to - size + 1
  for (i in from:to) {
    end = i + size - 1
    temp = item[c(i:end)]
    dataframe = rbind(dataframe, t(temp))
  }
  return(dataframe)
}
trainX = getDataSet(현재지수, 1, 111, inputs)
trainY = getDataSet(현재지수, 11, 116, outputs)
testX = getDataSet(현재지수, 107, 116, inputs)
testY = getDataSet(현재지수, 117, 121, outputs)

(dim(trainX)[1] == dim(trainY)[1]) & (dim(testX)[1] == dim(testY)[1])
## [1] TRUE

학습

model = nnet(trainX, trainY, size = hiddens, linout = TRUE, rang = 0.1, skip = TRUE, maxit = iterations)
## # weights:  375
## initial  value 1635153443.800208 
## iter  10 value 124200117.766103
## iter  20 value 48522935.052226
## iter  30 value 35070548.634349
## iter  40 value 5284596.887213
## iter  50 value 238890.242080
## final  value 238845.604916 
## converged

predictions = predict(model, testX, type = "raw")
mean(abs(predictions - testY) / testY) * 100
## [1] 1.996085

5. 예측

  • 4번은 분석가 재량으로 패스
forecasting = getDataSet(현재지수, 112, 121, inputs)
predictions = predict(model, forecasting, type = "raw")
predictions
##          [,1]     [,2]     [,3]    [,4]     [,5]
## [1,] 1979.478 1982.596 1984.069 1976.44 1976.824

plot(1:10, 현재지수[112:121], xlab = "기간", ylab = "현재지수 (종가)",
     xlim = c(0, 15), type = 'o')
lines(11:15, predictions, type = 'o', col = "red")