기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis] 일변량 변수의 선택

일변량 변수의 선택

2개 이상의 설명변수에서 각 변수가 반응변수에 미치는 영향을 고려하여 선택합니다. 즉, 설명변수 한개와 반응변수의 단순선형모델을 생성하여 각 모델의 f 검정 결과를 비교하여 변수를 선태합니다. 이 과정은 sklearn.feature_selection.SelectKBest(function, k=10) 클래스를 적용하여 계산할 수 있습니다. 이 클래스의 인수 function은 서브모듈인 feature_selection에서 제공하는 f_regression() 와 r_regression() 함수입니다. 이 함수는 각 모델의 f-통계량과 pearson's r(상관계수)를 반환하는 함수입니다. 인수 k는 선택되는 최대변수의 수로서 10이 기본값입니다.

예 1)

코스피지수(kos), 코스탁지수(kq), kodex 레버리지(kl), kodex 인버스(ki), 그리고 원달러환율(WonDol)의 일일 시가, 고가, 저가, 종가(o,h,p,c)들을 설명변수로 사용하여 삼성전자(sam)의 일일 종가를 추정하는 회귀모델을 위해 설명변수를 선택합니다.

이 모델에 적합한 설명변수들을 선택하기 위해 sklearn.feature_selection 모듈의 여러 클래스를 적용하여봅니다.

import numpy as np
import pandas as pd
from scipy import stats
from sklearn import linear_model
from sklearn.preprocessing import StandardScaler, MinMaxScaler
import statsmodels.api as sm
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
import yfinance as yf
from sklearn import feature_selection
import matplotlib.pyplot as plt
plt.rcParams['font.family'] ='NanumGothic'
plt.rcParams['axes.unicode_minus'] =False
st=pd.Timestamp(2023,1, 10)
et=pd.Timestamp(2024, 9, 13)
code=["^KS11", "^KQ11", "122630.KS", "114800.KS","KRW=X","005930.KS"]
nme=["kos","kq","kl", "ki", "WonDol","sam" ]
da=pd.DataFrame()
for i, j in zip(nme,code):
    d=yf.download(j,st, et)[["Open","High","Low","Close"]]
    d.columns=[i+"_"+k for k in ["o","h","l","c"]]
    da=pd.concat([da, d], axis=1)
da=da.ffill()
da.columns
Index(['kos_o', 'kos_h', 'kos_l', 'kos_c', 'kq_o', 'kq_h', 'kq_l', 'kq_c',
       'kl_o', 'kl_h', 'kl_l', 'kl_c', 'ki_o', 'ki_h', 'ki_l', 'ki_c',
       'WonDol_o', 'WonDol_h', 'WonDol_l', 'WonDol_c', 'sam_o', 'sam_h',
       'sam_l', 'sam_c'],
      dtype='object')
ind=da.values[:-1,:-1]
de=da.values[1:,-1].reshape(-1,1)
final=da.values[-1, :-1].reshape(1,-1)
[i.shape for i in [ind, de, final]]
[(437, 23), (437, 1), (1, 23)]

위 결과와 같이 자료의 설명변수는 23개로 반응변수와 분리된 구조입니다. 회귀모델은 sklearn.linear_model.LinearRegression() 클래스를 사용하여 생성합니다. 모델 생성전에 설명변수들을 표준화하였습니다. 또한 설명변수의 증가로 인한 다중공선성의 영향은 모델 구축에 사용된 자료(train data)와 사용되지 않은 자료(test data)들 사이에 결과를 비교하는 것으로 판단할 수 있습니다. 그러므로 train_test_split() 함수에 의해 train과 test를 분리합니다.

indScaler=StandardScaler().fit(ind)
indNor=indScaler.transform(ind)
finalNor=indScaler.transform(final)
Xtr, Xte, ytr, yte=train_test_split(indNor, de, test_size=0.3, random_state=3)
[i.shape for i in [Xtr, Xte]]
[(305, 23), (132, 23)]

모든 설명변수를 사용하는 회귀 모델(m_F)와 5개와 10개의 선택된 설명변수들을 적용한 회귀모델(m_5, m_10)을 비교하기 위한 항목으로 $R^2$와 rmse(=$\sqrt{\text{mse}}$) 그리고 BIC를 사용합니다. $R^2$와 rmse는 모델.score() 속성, sklearn.metrics.mean_squared_error() 함수에 의해 계산하고 BIC는 sklearn.linear_model.LassoLarsIC() 클래스를 사용하여 계산합니다.

m_F=linear_model.LinearRegression().fit(Xtr, ytr)
R2_trF=m_F.score(Xtr, ytr)
R2_teF=m_F.score(Xte, yte)
rmse_trF=mean_squared_error(ytr, m_F.predict(Xtr), squared=False)
rmse_teF=mean_squared_error(yte, m_F.predict(Xte), squared=False)
print("train_R2: %.4f, test_R2:%.4f" %(R2_trF, R2_teF))
print("train_rmse: %.2f, test_rmse:%.2f" %(rmse_trF, rmse_teF))
train_R2: 0.9695, test_R2:0.9680
train_rmse: 1161.16, test_rmse:1081.66
las_F=linear_model.LassoLarsIC(criterion="bic").fit(Xtr, np.ravel(ytr))
bic_F=las_F.criterion_[-1]
bic_F.round(2)
5297.27

변수 선택후 $R^2$, rmse, bic를 비교할 것입니다. 모든 계산을 편리하게 하기 위해 이 결과를 계산하기 위한 함수를 작성합니다.

def r_rmse_bic(model, X, y, bicT=True):
    r2=model.score(X,y)
    rmse=mean_squared_error(y, model.predict(X), squared=False)
    if bicT==True:
        las=linear_model.LassoLarsIC(criterion="bic").fit(X, y)
        bic=las.criterion_[-1]
    else:
        bic=np.nan
    return(pd.DataFrame([r2, rmse, bic], index=["R2","RMSE","BIC"]))

위 함수를 적용하여 회귀모델 m_F의 결과를 확인합니다.

tr_re=r_rmse_bic(m_F, Xtr, np.ravel(ytr))
te_re=r_rmse_bic(m_F, Xte, np.ravel(yte), bicT=False)
reF=pd.concat([tr_re, te_re], axis=1).round(3)
reF.columns=["Train","Test"]
reF
Train Test
R2 0.970 0.968
RMSE 1161.162 1081.662
BIC 5297.274 NaN

먼저 각 설명변수에 대한 F-통계량을 기준으로 5개의 설명변수를 선택합니다. 각 단일 변수에 대한 F-통계량과 p-value(유의확률)은 sklearn.feature_selection.f_regression() 함수로 확인할 수 있습니다. sklearn의 회귀모델 등에 관련된 모든 클래스와 함수에 인수로 전달되는 자료는2차원 행렬구조이어야 합니다.

변수 선택 과정을 소개하기 위해 각 변수의 이름을 명시할 필요가 있습니다. 이 측면에서 데이터의 구조는 numpy 배열형보다 pandas의 DataFrame 또는 Series 형이 유리합니다. 후자의 두 형태는 numpy의 배열형을 기본으로 하므로 상호 호환됩니다.

inddf=pd.DataFrame(indNor, columns=da.columns[:-1])
dedf=pd.Series(np.ravel(de), name=da.columns[-1])
fstat, pval=feature_selection.f_regression(inddf, dedf)
re=pd.DataFrame([fstat, pval], index=['fstat','p-value']).T
re.head(3).round(3)
fstat p-value
0 1050.308 0.0
1 1112.190 0.0
2 1039.036 0.0

위 결과는 각 설명변수와 반응변수의 분산비를 기준으로 F 검정을 실시한 것으로 모든 변수에서 유의한 차이를 나타냅니다. 즉, 반응변수를 설명하기 위한 모든 설명변수들이 효과가 있음을 의미합니다. 이 결과를 내림차순으로 정리하여 지정한 변수의 수만큼 선택하기 위해 SelectKBest() 클래스를 적용합니다. skleran의 변수선택을 위한 클래스의 다양한 속성이나 메소드를 제공합니다.

ksel5_f=feature_selection.SelectKBest(feature_selection.f_regression, k=5).fit(inddf, dedf)
X_new5_f=ksel5_f.fit_transform(inddf, dedf)    #새로운 변수의 생성
print(ksel5_f.pvalues_.round(3))    #유의확률
print(ksel5_f.scores_.round(2))   #통계량
[0. 0. 0. 0. 0. 0. …]
[ 1050.31  1112.19  1039.04  1070.56    46.31    …]
print(ksel_f.get_feature_names_out()) #선택된 변수의 열이름
['kl_h' 'kl_c' 'sam_o' 'sam_h' 'sam_l']
X_new_f.shape #변형된 변수의 모양
(437, 5)

선택된 5개의 설명변수와 반응변수를 훈련(train)세트와 검정(test)세트로 분리하여 훈련세트를 사용하여 회귀모델을 생성합니다. 작성한 함수 r_rmse_bic()를 사용하여 결과를 계산합니다.

Xtr5, Xte5, ytr, yte= train_test_split(X_new5_f, de, test_size=0.3, random_state=3)m_5=linear_model.LinearRegression().fit(Xtr5, ytr)
tr5_re=r_rmse_bic(m_5, Xtr5, np.ravel(ytr))
te5_re=r_rmse_bic(m_5, Xte5, np.ravel(yte), bicT=False)
re_5=pd.concat([tr5_re, te5_re], axis=1).round(3)
re_5.columns=["Train","Test"]
re_5
Train Test
R2 0.967 0.966
RMSE 1203.845 1115.328
BIC 5221.112 NaN

위와 같은 방법으로 10개의 설명변수를 선택하고 회귀모델을 생성합니다. 비교항목들에 대한 그 모델의 결과는 다음과 같습니다.

ksel10_f=feature_selection.SelectKBest(feature_selection.f_regression, k=10).fit(inddf, dedf)
X_new10_f=ksel10_f.fit_transform(inddf, dedf)
Xtr10, Xte10, ytr, yte= train_test_split(X_new10_f, de, test_size=0.3, random_state=3)
m_10=linear_model.LinearRegression().fit(Xtr10, ytr)
tr10_re=r_rmse_bic(m_10, Xtr10, np.ravel(ytr))
te10_re=r_rmse_bic(m_10, Xte10, np.ravel(yte), bicT=False)
re_10=pd.concat([tr10_re, te10_re], axis=1).round(3)
re_10.columns=["Train","Test"]
re_10
Train Test
R2 0.968 0.966
RMSE 1189.601 1109.225
BIC 5242.597 NaN

그림 1은 각 모델의 $R^2$와 BIC를 비교를 시각화 한 것입니다.

그림 1. 5개와 10개, 그리고 설명변수를 가진 회귀모델
plt.figure(figsize=(7,2))
plt.subplots_adjust(wspace=0.3)
plt.subplot(1,2,1)
plt.scatter([5, 10, 23],[re_5.iloc[0,0], re_10.iloc[0,0], reF.iloc[0,0]], s=30, color="b",label="Train")
plt.scatter([5, 10, 23],[re_5.iloc[0,1], re_10.iloc[0,1], reF.iloc[0,1]], s=30, color="r", label="Test")
plt.xlabel("설명변수의 수")
plt.xticks([5, 10, 23])
plt.grid(True)
plt.legend(loc="best")
plt.title("R2의 변화")
plt.subplot(1,2,2)
plt.scatter([5, 10, 23],[re_5.iloc[2,0], re_10.iloc[2,0], reF.iloc[2,0]], s=30, color="b",label="Train")
plt.xlabel("설명변수의 수")
plt.xticks([5, 10, 23])
plt.grid(True)
plt.legend(loc="best")
plt.title("bic의 변화")
plt.show()

이 결과에 의하면 모든 변수를 사용한 Full-Model에 비해 모델의 정확도를 나타내는 결정계수(R2)는 약간 감소했지만 설명변수의 수가 감소한 경우 훈련과 검정세트 사이의 차이가 감소한 것으로 과적합(다중공선성)이 개선되었음을 알 수 있습니다. 이것은 BIC의 개선으로 이어집니다. 즉, 모델의 적합도에 대해 영향력이 낮은 변수들을 제거함으로서 모델을 단순화 할 수 있습니다. 이 결과는 설명변수의 증가로 인해 나타나는 과적합문제를 감소시킬 수 있습니다. 그러나 개선된 모델의 $R^2$는 감소한 상태로 사용자는 모델의 목적등을 고려하여 어떤 모델을 선택할지에 대한 결정을 하여야 합니다.

다음은 변수들 사이의 상관계수를 기준으로 위와 동일한 과정으로 변수를 선택해 봅니다. sklearn.feature_selection.r_regression(ind,de)를 분류기준 함수로 적용합니다. 이 함수는 설명변수와 반응변수의 Pearson's r(상관계수)를 반환합니다.

print(feature_selection.r_regression(inddf, dedf).round(3))
[0.841  0.848  0.84   0.843  0.31  …]

SelectKBest(--, k) 함수는 위 결과의 반응변수에 대한 각 설명변수간의 상관계수를 기준으로 상위 k개를 선택합니다.

ksel_r=feature_selection.SelectKBest(feature_selection.r_regression, k=5).fit(inddf, dedf)
print(ksel_r.get_feature_names_out())
['kl_h' 'kl_c' 'sam_o' 'sam_h' 'sam_l']

r_regression() 함수로 확인할 수 있는 상관계수는 객체 ksel_r의 속성 .scores를 사용하여 확인할 수 있습니다.

print(ksel_r.scores_.round(3))
[ 0.841  0.848  0.84   0.843  0.31  …]

위 r_regression()를 적용한 결과는 f_regression() 함수를 사용한 결과와 같습니다. 그러므로 선택한 설명변수들로 구성된 모델의 결과 역시 같습니다.

Xtr5r, Xte5r, ytr5, yte5= train_test_split(X_new5_r, de, test_size=0.3, random_state=3)
m_5r=linear_model.LinearRegression().fit(Xtr5r, ytr5)
tr5r_re=r_rmse_bic(m_5r, Xtr5r, np.ravel(ytr5))
te5r_re=r_rmse_bic(m_5r, Xte5r, np.ravel(yte5), bicT=False)
re_5r=pd.concat([tr5r_re, te5r_re], axis=1).round(3)
re_5r.columns=["Train","Test"]
re_5r
Train Test
R2 0.967 0.966
RMSE 1203.845 1115.328
BIC 5221.112 NaN

댓글

이 블로그의 인기 게시물

[Linear Algebra] 유사변환(Similarity transformation)

유사변환(Similarity transformation) n×n 차원의 정방 행렬 A, B 그리고 가역 행렬 P 사이에 식 1의 관계가 성립하면 행렬 A와 B는 유사행렬(similarity matrix)이 되며 행렬 A를 가역행렬 P와 B로 분해하는 것을 유사 변환(similarity transformation) 이라고 합니다. $$\tag{1} A = PBP^{-1} \Leftrightarrow P^{-1}AP = B $$ 식 2는 식 1의 양변에 B의 고유값을 고려한 것입니다. \begin{align}\tag{식 2} B - \lambda I &= P^{-1}AP – \lambda P^{-1}P\\ &= P^{-1}(AP – \lambda P)\\ &= P^{-1}(A - \lambda I)P \end{align} 식 2의 행렬식은 식 3과 같이 정리됩니다. \begin{align} &\begin{aligned}\textsf{det}(B - \lambda I ) & = \textsf{det}(P^{-1}(AP – \lambda P))\\ &= \textsf{det}(P^{-1}) \textsf{det}((A – \lambda I)) \textsf{det}(P)\\ &= \textsf{det}(P^{-1}) \textsf{det}(P) \textsf{det}((A – \lambda I))\\ &= \textsf{det}(A – \lambda I)\end{aligned}\\ &\begin{aligned}\because \; \textsf{det}(P^{-1}) \textsf{det}(P) &= \textsf{det}(P^{-1}P)\\ &= \textsf{det}(I)\end{aligned}\end{align} 유사행렬의 특성 유사행렬인 두 정방행렬 A와 B는 'A ~ B' 와 같...

유리함수 그래프와 점근선 그리기

내용 유리함수(Rational Function) 점근선(asymptote) 유리함수 그래프와 점근선 그리기 유리함수(Rational Function) 유리함수는 분수형태의 함수를 의미합니다. 예를들어 다음 함수는 분수형태의 유리함수입니다. $$f(x)=\frac{x^{2} - 1}{x^{2} + x - 6}$$ 분수의 경우 분모가 0인 경우 정의할 수 없습니다. 이와 마찬가지로 유리함수 f(x)의 정의역은 분모가 0이 아닌 부분이어야 합니다. 그러므로 위함수의 정의역은 분모가 0인 부분을 제외한 부분들로 구성됩니다. sympt=solve(denom(f), a); asympt [-3, 2] $$-\infty \lt x \lt -3, \quad -3 \lt x \lt 2, \quad 2 \lt x \lt \infty$$ 이 정의역을 고려해 그래프를 작성을 위한 사용자 정의함수는 다음과 같습니다. def validX(x, f, symbol): ① a=[] b=[] for i in x: try: b.append(float(f.subs(symbol, i))) a.append(i) except: pass return(a, b) #x는 임의로 지정한 정의역으로 불연속선점을 기준으로 구분된 몇개의 구간으로 전달할 수 있습니다. #그러므로 인수 x는 2차원이어야 합니다. def RationalPlot(x, f, sym, dp=100): fig, ax=plt.subplots(dpi=dp) # ② for k in x: #③ x4, y4=validX(k, f, sym) ax.plot(x4, y4) ax.spines['left'].set_position(('data', 0)) ax.spines['right...

turtle로 정오각형 그리기

정오각형 그리기  오각형을 그리는 것 역시 정사각형 , 정삼각형 을 그리는 것과 유사한 과정을 거칩니다. 단지 각 꼭지점의 각도만이 다르지요. 그러면 정오각형의 각 모서리의 각도는 어떻게 될까요? 이를 생각하기에 앞서 각 도형의 내각을 먼저 생각해보죠. 우리는 삼각형의 내각의 합을 알고 있습니다. 이를 이용하면 각 도형에서 삼각형이 몇개가 존재하는지를 알아보고 "삼각형의 갯수×180"로 그 도형의 내각의 합을 구할 수 있을 것입니다. 다음 그림을 볼까요? 위 그림의 사각형은 1개의 대각선으로 2개의 삼각형으로 구성됩니다. 오각형의 경우 2개의 대각선으로 3개의 삼각형으로 구성됩니다. 즉, 다음의 관계를 보이지요. 사각형의 내각 : 삼각형 2개 2×180=360 한각의 값  360/4=90 오각형의 내각 : 삼각형 3개 3×180=540 한각의 값  540/5=108 육각형의 내각 : 삼각형 4개 4×180=720 한각의 값  720/6=120 ... 위 그림에서 내각과 외각의 관계를 보면 위 그림의 검은색은 각 모서리의 내각이고 빨간색은 외각을 나타냅니다. 외각은 내각을 이루는 하나의 선을 연장했을 경우 상대되는 각도이라고 했습니다. 그러므로 오각형의 경우 내각 108도에 대한 외각은 72도입니다. 특이할 사항은 사각형이나 오각형이나 외각의 합은 360입니다. 즉, 모든 도형의 외각의 합은 360도입니다. (삼각형의 외각의 합을 구해보세요.) 그러므로 모든 정다각형에서 하나의 외각은 다음과 같이 계산될 수 있겠지요. 360/변수의 수=다각형에서 하나의 외각 위에서 회전을 할 경우 내각이 아닌 외각을 사용해야 함을 알았습니다. 그러므로 오각형을 그리는 계획은 다음과 같이 작성할 수 있겠죠. 1) 지정한 길이만큼 앞으로 이동합니다. 2) 오른쪽 또는 왼쪽으로 72도를 회전합니다. 3) 앞으로 동일한 길이만큼 이동합니다. 4) 오른쪽 또는 왼쪽으로 72도 만큼 이동합니다. 5)1번부터 4번 ...