A B C d E F G H I K L M N O P Q R S T U V W Z A statsmodels.ap.stats.anova_lm(x) statsmodels.formula.api.ols 에 의해 생성되는 모형 즉, 클래스 인스턴스(x)를 인수로 받아 anova를 실행합니다. np.argsort(x, axis=-1, kind=None) 객체 x를 정렬할 경우 각 값에 대응하는 인덱스를 반환합니다. Axis는 기준 축을 지정하기 위한 매개변수로서 정렬의 방향을 조정할 수 있음(-1은 기본값으로 마지막 축) pandas.Series.autocorr(lag=1) lag에 전달한 지연수에 따른 값들 사이의 자기상관을 계산 B scipy.stats.bernoulli(x, p) 베르누이분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 p: 단일 시행에서의 확률 scipy.stats.binom(x, n, p) 이항분포에 관련된 통계량을 계산하기 위한 클래스를 생성합니다. x: 랜덤변수 n: 총 시행횟수 p: 단일 시행에서의 확률 C scipy.stats.chi2.pdf(x, df, loc=0, scale=1) 카이제곱분포의 확률밀도함수를 계산 $$f(x, k) =\frac{1}{2^{\frac{k}{2}−1}Γ(\frac{k}{2})}x^{k−1}\exp\left(−\frac{x^2}{2}\right)$$ x: 확률변수 df: 자유도 pd.concat(objs, axis=0, join=’outer’, …) 두 개이상의 객체를 결합한 새로운 객체를 반환. objs: Series, DataFrame 객체. Axis=0은 행단위 즉, 열 방향으로 결합, Axis=1은 열단위 즉, 행 방향으
내용 Lasso model LassoCV() Elastic Net model 정규화된 모델: Lasso, Elastic Net model 정규화된 모델: Lasso model Lasso(Least Absolute Shrinkage and Selection Operator Regression)은 Ridge 모델 과 같이 선형회귀의 정규화된 모델입니다. 이 모델은 정규화를 위해 l 1 norm을 사용하며 lasso 모델의 비용함수는 식 1과 같습니다. $$\begin{equation}\tag{1}J(\beta)=MSE(\beta)+\lambda \sum^p_{i=1}\vert \beta_i \vert\end{equation}$$ 식 1에서 p는 변수의 수입니다. sklearn의 다음 클래스를 사용하여 lasso 모델을 생성할 수 있습니다. 이 클래스의 α는 λ와 같습니다. class sklearn.linear_model.Lasso(alpha=1.0, *, fit_intercept=True, ~~) 이 함수에 전달하는 반응변수(label)은 1차원 벡터 형태이어야 합니다. import numpy as np import pandas as pd import matplotlib.pyplot as plt from sklearn.linear_model import Ridge, Lasso, RidgeCV, LassoCV import FinanceDataReader as fdr 이 모델을 구축하기 위한 자료는 FinanceDataReader.DataReader() 함수를 사용하여 환율과 미국의 주요지수, 코스피 지수의 데이터를 호출하였습니다. st=pd.Timestamp(2010,3, 1) et=pd.Timestamp(2022, 6, 7) nme={'exchg':'USD/KRW','dj':"DJI",'n