복습

!13_시계열분석(정석).ipynb, !14-시계열분석(Auto).ipynb가 서로 다른 결과가 나온 이유는 학습한 데이터의 양이 다르기 때문에 다른 결과가 도출
즉, 같은 데이터라고 하더라도 학습 데이터의 정도에 따라서 결과 값이 달라짐을 유의

---

05_Covid19확진자_분석.ipynb

## 컬럼, index 타입을 반드시 확인
제공받은 데이터가 반드시 본인이 원하는 타입이라고 확정할 수 없는만큼 데이터```
코드를 입력하세요
```를 다루기 전 데이터 타입을 확인

## 공백제거 필수
외부에서 가져온 데이터(크롤링, 복붙 등)가 존재한다면 반드시 strip()을 사용해 공백을 제거

---

차분

차분(differencing)은 주로 시계열 데이터의 정상성(stationarity)을 확보하기 위해 수행.
정상성은 시계열 데이터가 시간에 따라 평균과 분산이 일정한 상태.
차분을 통해 정상성을 확보하면 시계열 분석에서 보다 신뢰성 있는 결과를 획득 가능.

• 정상성 확보
  • 차분을 통해 추세나 계절성을 제거하고 정상성을 확보
• 예측 성능 향상
  • 정상성을 만족하는 시계열 데이터는 예측 모델의 안정성을 높이고 예측 오차 감소를 유도
• 가법적 모델 적용
  • 시계열 데이터의 변동이 비교적 규칙적일 때 적용

신뢰구간

E. 확증적 데이터 분석(CDA)\02. 두 변수간의 차이 분석\03-신뢰구간.ipynb

잔차분석

E. 확증적 데이터 분석(CDA)\04. 선형회귀분석\07-잔차분석.ipynb
E. 확증적 데이터 분석(CDA)\02. 두 변수간의 차이 분석\연습문제\연습문제_풀이.ipynb