기본 콘텐츠로 건너뛰기

pandas_ta를 적용한 통계적 인덱스 지표

[data analysis] 분산에 의한 설명변수 선택

분산에 의한 설명변수 선택

회귀모델 등의 모델에서 중요한 특징(feature) 즉, 설명변수는 반응변수(라벨, label)와의 강한 상관관계로 예측에 영향이 큰 변수를 의미합니다. 그러나 반응변수와의 상관성에 관계없이 특징 자체의 변동성이 크지 않다면 예측에 큰 도움이 되지 않을 가능성을 배제할 수 없습니다. 그러므로 분산 기준치보다 작은 분산을 가진 특징은 모델에서 제외할 수 있습니다. 다시말하자면 분산에 의해 특징(feature)을 선택할 수 있습니다.

sklearn.feature_selection.VarianceThreshold() 클래스를 적용합니다. 이 방법은 특징의 분산을 기준으로 하기 때문에 반응변수와의 상관성 정도는 고려되지 않는다는 점을 주의해야 합니다.

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 numpy.linalg as la
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.preprocessing import StandardScaler, MinMaxScaler
from sklearn.linear_model import LinearRegression
from sklearn.metrics import mean_squared_error
from sklearn.model_selection import train_test_split
from sklearn.model_selection import KFold
import yfinance as yf
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')
resNme="sam_c"
X=da.drop(columns=resNme).iloc[:-1,:]
y=pd.DataFrame(da[resNme][1:])
new=pd.DataFrame(da.drop(columns=resNme).iloc[-1,:]).T
# 설명변수 scaling
XScaler=MinMaxScaler().fit(X)
X_n=XScaler.transform(X)
new_n=XScaler.transform(new)
#훈련, 검증셋의 분리 
Xtr, Xte, ytr, yte=train_test_split(X_n,y, test_size=0.2, random_state=0)
Xtr.shape, Xte.shape
((349, 23), (349, 1))

모든 설명변수를 사용하는 Full model을 생성합니다. 이 모델의 $R^2$와 mse를 계산합니다.

mFull=LinearRegression().fit(Xtr, ytr)
R2_tr, mse_tr=mFull.score(Xtr, ytr), mean_squared_error(ytr, mFull.predict(Xtr))
R2_te, mse_te=mFull.score(Xte, yte), mean_squared_error(yte, mFull.predict(Xte))

설명변수 각각의 분산을 계산하고 모든 분산 자료에서 25%에 해당하는 값을 계산합니다.

varAll=Xtr.var(axis=0)
s=np.quantile(varAll, 0.25)
s.round(4)s
0.0413

위 결과를 VarianceThreshold(threshold) 클래스의 threshold 값으로 지정합니다. 이 값의 특별한 기준이 존재하지 않으며 기본값은 0입니다. 이러한 객체의 실행을 위해 선행적으로 지정하는 하이퍼 매개변수(hyper-parameter)는 모델 구축의 목적과 배경등을 고려하여 반복 실행에 의해 적절한 값을 도출해야 합니다.

from sklearn.feature_selection import VarianceThreshold
selector=VarianceThreshold(threshold = s)
seltr=selector.fit_transform(Xtr)
selte=selector.transform(Xte)
seltr.shape, selte.shape
((349, 17), (88, 17))
print(selector.get_support())
[False  True False False  True False False  True  True  True  True  True
  True  True  True  True  True False  True  True  True  True  True]

위 결과를 기준으로 선택된 설명변수에 의한 모델을 작성하고 그 모델에의한 $R^2$와 mse를 계산합니다.

m=LinearRegression().fit(seltr, ytr)
R2_tr1, mse_tr1=m.score(seltr, ytr), mean_squared_error(ytr, m.predict(seltr))
R2_te1, mse_te1=m.score(selte, yte), mean_squared_error(yte, m.predict(selte))

다음은 위 결과들을 표로 작성하기 위해 dictionary 형식등을 적용한 것입니다.

re={"Full ": pd.DataFrame([[R2_tr, mse_tr],[R2_te, mse_te]], columns=["R2", "MSE"]), "Select ": pd.DataFrame([[R2_tr1, mse_tr1],[R2_te1, mse_te1]], columns=["R2", "MSE"])}; re
{'Full ':          R2           MSE
 0  0.968250  1.287398e+06
 1  0.973961  1.239222e+06,
 'Select ':          R2           MSE
 0  0.967796  1.305811e+06
 1  0.972942  1.287699e+06}
k=list(re.keys())
total=pd.concat([re[k[0]], re[k[1]]])
total.index=["full-tr","full-te", 'sel-tr','sel-te']
total
R2 MSE
full-tr 0.968250 1.287398e+06
full-te 0.973961 1.239222e+06
sel-tr 0.967796 1.305811e+06
sel-te 0.972942 1.287699e+06

full 모델에서 훈련세트와 검정세트 간의 $R^2$, mse의 변화비율, 선택 모델에서 같은 변화비율을 계산합니다. 먼저 $R^2$의 변화비율입니다.

round((total.iloc[1,0]-total.iloc[0,0])/total.iloc[0,0]*100, 3), round((total.iloc[3,0]-total.iloc[2,0])/total.iloc[2,0]*100, 3)
(0.59, 0.532)
round((total.iloc[1,1]-total.iloc[0,1])/total.iloc[0,1]*100,3), round((total.iloc[3,1]-total.iloc[2,1])/total.iloc[2,1]*100,3)
(-3.742, -1.387)

분산에 의해 6개의 설명변수가 제거된 모델에서 $R^2$, mse의 차이가 감소된 결과를 나타냅니다. 그러나 위 변화는 매우 작으며 변수 제거에 효과가 있다고 하기는 어렵지만 설명변수의 수가 감소된 것으로 과적합이나 다중상관성을 감소시킬수 있습니다.

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 ...