으아아ㅏ 시험대비 공부를 해봅시다
변화 감지(Change Detection)
시스템에서 변화가 발생했는지 확인하는 과정이다. 주로 시계열 데이터를 사용하여 시간에 따른 패턴 변화를 추적하고, 이를 기반으로 변화가 일어났는지 파악한다. 정상 범위를 벗어난 이상치를 찾아내거나, 변화가 중요한 의미를 가질 경우 조치를 취할 수 있도록 돕는다.
적용
- 행동 필요 여부 확인
- 기계 유지보수: 기계가 고장이 날 가능성을 예측하고, 이를 미리 파악하여 유지보수 계획을 세울 수 있다.
- 지구 온난화: 기후 변화에 대한 패턴을 추적하여 온난화가 계속되는지 확인하고, 이에 맞는 대처 방안을 모색할 수 있다.
- 판매 추세 분석: 판매 패턴을 분석하여 판매가 급증하거나 급감하는 추세를 파악하고, 이로 인한 전략적 결정을 내릴 수 있다.
- 행동의 영향 평가
- 정책 변화: 정책이 시행되었을 때, 그 영향이 강제나 사회에 미친 변화를 감지하여 정책의 성공 여부를 평가할 수 있다.
- 프로모션 캠페인 효과: 광고 캠페인이나 프로모션이 판매에 영향을 분석하여, 캠페인이 성공적이었는지 여부를 파악한다.
- 시간에 따른 차이 분석
- 투표 패턴: 시간에 따른 투표 데이터를 분석하여 선거 결과를 예측하거나, 특정 지역에서 투표 트렌드의 변화를 감지할 수 있다.
사례
- 반도체 제조 공정에서 교통 흐름 모니터링
- 반도체 제조 공정에서 교통 흐름의 변화를 감지함으로써 공정에 영향을 미칠 수 있는 문제를 조기에 발견할 수 있다.
- 철도 축 온도 모니터링을 통한 초기 고장 예방
- 철도 선로의 온도를 지속적으로 모니터링하여 특정 온도 이상으로 상승하면 고장이 발생할 가능성을 미리 예측하고, 이를 예방할 수 있다.
변화 감지 기법
변화 감지에는 여러 가지 기법이 있으며, 대표적인 방법은 통계쩍 방법, 기계 학습 방법, 모델 기반 방법 등이 있다.
- 통계적 방법: 특정 시점의 데이터를 기준으로 변화가 발생했는지를 통계적으로 분석하는 방법이다.
예를들어, 특정 범위 내에 데이터가 있을 때 변화가 발생하지 않았다고 가정하고, 벗어날 경우 변화를 감지한다. - 기계 학습 방법: 데이터 패턴을 학습하여 예측 모델을 만들고, 실제 데이터와 비교하여 변화를 감지하는 방법 이다.
특히, 지도학습을 통해 정상 데이터와 비정상 데이터를 구분하는 방식이다. - 모델 기반 방법: 시스템이나 환경에 대한 모델을 구축하고, 모델을 기준으로 예측된 값과 실제 값의 차이를 비교하여 변화를 감지하는 방법이다.
누적합법(CUSUM)
데이터의 평균이 예상값과 달리 변화했는지 확인하는 통계적 방법이다. 관측치의 평균이 임계값을 초과하는 시점을 감지하는 데 사용된다. 주로 시계열 데이터에서 변화가 시작된 순간을 정확히 포착하는 데 유용하다.
- 기대값 이상의 편차 누적
- 각 시점에서 관측치와 기대값의 차이를 누적한다. 이를 통해 변화가 발생했는지 추적한다. 이때 계산되는 값는 StS_tSt 이다.
- StS_tSt = Σ(관측치 - 기대값)이 누적합으로 계산된다.
- 초기화
- StS_tSt 값이 0보다 작아지면, 변화를 감지할 수 없으므로 누적합을 초기화하여 지연을 방지한다.
- 이렇게 하면 과거의 변화를 반영하여 현재의 변화 감지에 영향을 미치지 않도록 한다.
- 민감도(CCC)와 임계값(TTT)조정
- 민감도(CCC)와 임계값(TTT)을 조정하여 조기 감지와 오탑(거짓 경고) 사이의 균형을 맞춘다.
- 민감도가 너무 높으면 많아지고, 민감도가 낮으면 변화가 늦게 감지될 수 있다.
적용
CUSUM은 다양한 분야에서 사용되며, 주로 변화 탐지 관련된 분석에 활용 된다.
- 증가 탐지: 반응 시간의 변화를 감지할 수 있다. 시스템의 반응 시간이 예상보다 길어지면 즉시 탐지해서 조치를 취할 수 있다.
- 감소 또는 양방향 동시 탐지: 데이터가 감소하거나 두 방향 모두에서 변화를 감지할 수 있다.
예를들어, 판매량의 급격한 증가나 감소를 감지하는 데 사용된다.
시각화
CUSUM의 결과는 주로 제어 차트(Control Chart)에서 시각화된다. 이 차트에서 StS_tSt가 임계값을 초과하는 지점이 나타나면, 해당 지점에서 변화를 감지한 것으로 간주된다.
트레이드오프
CUSUM에서는 false negative와 false positive의 트레이드오프가 존재한다.
- false negative: 변화를 놓치게 되는 경우, 변화가 발생했음에도 불구하고 이를 감지하지 못하는 상황이다.
- false positive: 변화가 없는 상황에서 변화를 잘못 감지하는 경우이다.
트레이드오프를 고려하여 민감도와 임계값을 설정해야 한다. 예를들어, 민감도를 높이면 변화를 빨리 감지할 수 있지만, 그만큼 거짓 양성이 발생할 확률이 높아진다.
그러하다... 핳
** 그냥 하루하루 개인 공부한 것을 끄적 거리는 공간입니다.
이곳 저곳에서 구글링한 것과 강의 들은 내용이 정리가 되었습니다.
그림들은 그림밑에 출처표시를 해놓았습니다.
문제가 될시 말씀해주시면 해당 부분은 삭제 하도록하겠습니다. **
'public void static main > AI' 카테고리의 다른 글
| [DataModeling] 데이터 준비 부터 이상치 탐지 및 처리까지 (2) | 2025.01.29 |
|---|---|
| [DataModeling] 검증(Validation)과 데이터 분할(Data Split) (1) | 2025.01.27 |
| [Discussion] 분류와 군집화의 근본적인 차이는 무엇일까? (0) | 2025.01.24 |
| [Discussion] 테스트 데이터의 모델 성능 토론 (0) | 2025.01.24 |
| [Discussion] 성능이 비슷한 모델들 중 최적 모델은 어떻게 선택할 것인가? (0) | 2025.01.20 |
댓글