Gaussian Process은 무한공간에서 사전정보를 결합하기 위해 사용된다.

Gaussian Process은 무한공간에서 사전정보를 결합하기 위해 사용된다.
Photo by Divyanshi Verma / Unsplash

Definition

  • 연속적인 함수 공간에서 정의된 확률 과정으로, 주어진 데이터로부터 함수의 분포를 추정하는 강력한 비모수적 방법입니다.
  • Gaussian Process는 주로 회귀 분석, 분류, 최적화 문제에서 사용되며, 특히 불확실성을 정량화하는 데 유용합니다.
  • Bayesian Analytics에서 Infinite Space에 대해 Prior를 적용하기 위한 방안으로 활용됩니다.

Pros & Cons

Pros

  1. 비모수적 접근: 모델의 구조를 사전 정의하지 않고 데이터로부터 학습합니다.
  2. 불확실성 정량화: 예측 값뿐만 아니라 예측의 불확실성도 제공하여 모델의 신뢰도를 평가할 수 있습니다.
  3. 유연성: 다양한 커널 함수를 사용하여 복잡한 데이터 분포를 모델링할 수 있습니다.
  4. 베이지안 접근: 사전 정보를 결합하여 예측의 신뢰성을 높일 수 있습니다.

Cons

  1. 고계산 비용: 큰 데이터셋에 대해 계산 비용이 높아질 수 있습니다.
  2. 메모리 소모: 데이터 포인트 수에 따라 메모리 사용량이 증가합니다.
  3. 하이퍼파라미터 선택: 최적의 커널 함수와 하이퍼파라미터를 선택하는 과정이 복잡할 수 있습니다.

Sample

import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt  
from sklearn.gaussian_process import GaussianProcessRegressor  
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C  
  
# 데이터 생성  
np.random.seed(42)  
  
# 배달 거리 (km)distance = np.random.uniform(1, 20, 100)  
# 주문량 (개)  
order_count = np.random.uniform(1, 10, 100)  
# 시간대 (0: 기타, 1: 점심, 2: 저녁)  
time_of_day = np.random.choice([0, 1, 2], size=100)  
# 라이더 배차 수락율 (%)rider_acceptance_rate = np.random.uniform(50, 100, 100)  
# 라이더 규모 (명)  
rider_scale = np.random.uniform(5, 20, 100)  
  
# 배달시간 (분)  
delivery_time = 30 + 3 * distance + 2 * order_count + 100 / rider_acceptance_rate + 100 / rider_scale + np.random.normal(0, 5, 100)  
# 점심시간 (1: 11AM - 1PM), 저녁시간 (2: 6PM - 8PM)delivery_time[time_of_day == 1] += np.random.normal(0, 20, sum(time_of_day == 1))  # 점심시간은 분산이 큼  
delivery_time[time_of_day == 2] += np.random.normal(0, 10, sum(time_of_day == 2))  # 저녁시간은 분산이 보통  
  
# 특성 배열  
X = np.vstack((distance, order_count, time_of_day, rider_acceptance_rate, rider_scale)).T  
y = delivery_time  
  
# 커널 정의 (상수 커널과 RBF 커널의 곱)  
kernel = C(1.0, (1e-3, 1e3)) * RBF(1, (1e-2, 1e2))  
  
# Gaussian Process 모델 학습  
gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=10)  
gp.fit(X, y)  
  
# 예측할 데이터 생성  
distance_pred = np.linspace(1, 20, 30)  
order_count_pred = np.linspace(1, 10, 30)  
time_of_day_pred = np.array([0, 1, 2])  
rider_acceptance_rate_pred = np.linspace(50, 100, 30)  
rider_scale_pred = np.linspace(5, 20, 30)  
X_pred = np.array(np.meshgrid(distance_pred, order_count_pred, time_of_day_pred, rider_acceptance_rate_pred, rider_scale_pred)).T.reshape(-1, 5)  
  
# 예측  
y_pred, sigma = gp.predict(X_pred, return_std=True)  
  
# 결과 시각화  
plt.figure(figsize=(14, 7))  
  
# 원본 데이터 시각화  
plt.subplot(1, 2, 1)  
plt.scatter(distance, delivery_time, c=time_of_day, cmap='viridis', label='Training Data')  
plt.colorbar(label='Time of Day')  
plt.xlabel('Distance (km)')  
plt.ylabel('Delivery Time (min)')  
plt.title('Training Data Distribution')  
plt.legend()  
  
# 예측 데이터 시각화  
plt.subplot(1, 2, 2)  
plt.scatter(X_pred[:, 0], y_pred, c=X_pred[:, 2], cmap='viridis', s=10, label='Predictions')  
plt.fill_between(X_pred[:, 0], y_pred - 1.96 * sigma, y_pred + 1.96 * sigma, color='blue', alpha=0.2)  
plt.colorbar(label='Time of Day')  
plt.xlabel('Distance (km)')  
plt.ylabel('Delivery Time (min)')  
plt.title('Gaussian Process Regression Predictions')  
plt.legend()  
  
plt.tight_layout()  
plt.show()](<import numpy as np  
import pandas as pd  
import matplotlib.pyplot as plt  
from sklearn.gaussian_process import GaussianProcessRegressor  
from sklearn.gaussian_process.kernels import RBF, ConstantKernel as C  
  
# 데이터 생성  
np.random.seed(42)  
  
# 배달 거리 (km)distance = np.random.uniform(1, 20, 100)  
# 주문량 (개)  
order_count = np.random.uniform(1, 10, 100)  
# 시간대 (0: 기타, 1: 점심, 2: 저녁)  
time_of_day = np.random.choice([0, 1, 2], size=100)  
# 라이더 배차 수락율 (%)rider_acceptance_rate = np.random.uniform(50, 100, 100)  
# 라이더 규모 (명)  
rider_scale = np.random.uniform(5, 20, 100)  
  
# 배달시간 (분)  
delivery_time = 30 + 3 * distance + 2 * order_count + 100 / rider_acceptance_rate + 100 / rider_scale + np.random.normal(0, 5, 100)  
# 점심시간 (1: 11AM - 1PM), 저녁시간 (2: 6PM - 8PM)delivery_time[time_of_day == 1] += np.random.normal(0, 20, sum(time_of_day == 1))  # 점심시간은 분산이 큼  
delivery_time[time_of_day == 2] += np.random.normal(0, 10, sum(time_of_day == 2))  # 저녁시간은 분산이 보통  
  
# 특성 배열  
X = np.vstack((distance, order_count, time_of_day, rider_acceptance_rate, rider_scale)).T  
y = delivery_time  
  
# 커널 정의 (상수 커널과 RBF 커널의 곱)  
kernel = C(1.0, (1e-3, 1e3)) * RBF(1, (1e-2, 1e2))  
  
# Gaussian Process 모델 학습  
gp = GaussianProcessRegressor(kernel=kernel, n_restarts_optimizer=10)  
gp.fit(X, y)  
  
# 예측할 데이터 생성  
distance_pred = np.linspace(1, 20, 30)  
order_count_pred = np.linspace(1, 10, 30)  
time_of_day_pred = np.array([0, 1, 2])  
rider_acceptance_rate_pred = np.linspace(50, 100, 30)  
rider_scale_pred = np.linspace(5, 20, 30)  
X_pred = np.array(np.meshgrid(distance_pred, order_count_pred, time_of_day_pred, rider_acceptance_rate_pred, rider_scale_pred)).T.reshape(-1, 5)  
  
# 예측  
y_pred, sigma = gp.predict(X_pred, return_std=True)  
  
# 결과 시각화  
plt.figure(figsize=(14, 7))  
  
# 원본 데이터 시각화  
plt.subplot(1, 2, 1)  
plt.scatter(distance, delivery_time, c=time_of_day, cmap='viridis', label='Training Data')  
plt.colorbar(label='Time of Day')  
plt.xlabel('Distance (km)')  
plt.ylabel('Delivery Time (min)')  
plt.title('Training Data Distribution')  
plt.legend()  
  
# 예측 데이터 시각화  
plt.subplot(1, 2, 2)  
plt.scatter(X_pred[:, 0], y_pred, c=X_pred[:, 2], cmap='viridis', s=10, label='Predictions')  
plt.fill_between(X_pred[:, 0], y_pred - 1.96 * sigma, y_pred + 1.96 * sigma, color='blue', alpha=0.2)  
plt.colorbar(label='Time of Day')  
plt.xlabel('Distance (km)')  
plt.ylabel('Delivery Time (min)')  
plt.title('Gaussian Process Regression Predictions')  
plt.legend()  
  
plt.tight_layout()  
plt.show()

Read more

내가 놓치고 있던 미래, 먼저 온 미래를 읽고

내가 놓치고 있던 미래, 먼저 온 미래를 읽고

장강명 작가의 책은, 유학시절 읽고 처음이었다. 유학시절 "한국이 싫어서"라는 책은 동기부여가 상당히 되는 책이었다. 한국을 떠나 새로운 정채성을 학생으로서 Build up 해나가고 있던 상황에서 이 책은 제목부터 꽤 솔깃하였다. 물론 결말이 기억날 정도로 인상깊은 책은 아니었지만 말이다. 그렇게 시간이 흘러 장강명 작가의 책은 더 이상 읽지 않던

By Bongho, Lee
고객 경험이란 무엇일까?

고객 경험이란 무엇일까?

고객경험이란 무엇일까? 1. 과거 어느 대형 프로젝트에서 있던 일이다. 신사업을 위해서 예측 모델 값을 제공해야 하는 상황이었다. 데이터도 없고,어느정도의 정확도를 제공해야 하는지 답이 없었다. 점추정을 할 것인가? 구간 추정을 할 것인가를 가지고 논의중이었다. Product Manager 줄기차게 고객경험을 내세우며 점추정으로 해야 한다고 주장하였다. 근거는 오롯이 "고객 경험"이었다.

By Bongho, Lee
수요예측, 수정구슬이 아닌 목표를 향한 냉정한 나침반

수요예측, 수정구슬이 아닌 목표를 향한 냉정한 나침반

수요예측의 정의와 비즈니스에서의 중요성 기업의 성장과 운영 효율화를 위해 **수요예측(Demand Forecasting)**은 선택이 아닌 필수 요소로 자리 잡았다. 많은 경영진들이 수요예측을 미래 판매량을 정확히 맞히는 '예언'으로 기대하지만, 이는 수요예측의 본질을 오해하는 것이다. 수요예측의 진짜 의미: 미래를 점치는 수정구슬이 아니라, 우리가 도달해야 할 '목표'를

By Bongho, Lee