A Design and Implement of Efficient Agricultural Product Price Prediction Model
0
조회
0
다운로드
2
인용
0
참고문헌
키워드
초록
본 논문에서는 DACON에서 제공하는 데이터셋을 기반으로 한 효과적인 농산물 가격 예측 모델을제안한다. 이 모델은 XGBoost와 CatBoost 이며 Gradient Boosting 계열의 알고리즘으로써 기존의 Logistic Regression과 Random Forest보다 평균정확도 및 수행시간이 우수하다. 이러한 장점들을 기반으로 농산물의 이전 가격들을 기반으로 1주, 2주, 4주뒤 가격을 예측하는 머신러닝 모델을 설계한다. XGBoost 모델은회귀 방식의 모델링인 XGBoost Regressor 라이브러리를 사용하여 하이퍼 파라미터를 조정함으로써가장 우수한 성능을 도출할 수 있다. CatBoost 모델은 CatBoost Regressor를 사용하여 모델을 구현한다. 구현한 모델은 DACON에서 제공하는 API를 이용하여 검증하고, 모델 별 성능평가를 실시한다. XGBoost 는 자체적인 과적합 규제를 진행하기 때문에 적은 데이터셋에도 불구하고 우수한 성능을 도출하지만, 학습시간, 예측시간 등 시간적인 성능 면에서는 LGBM보다 성능이 낮다는 것을 알 수 있었다.
Abstract
In this paper, we propose an efficient agricultural products price prediction model based on dataset which provided in DACON. This model is XGBoost and CatBoost, and as an algorithm of the Gradient Boosting series, the average accuracy and execution time are superior to the existing Logistic Regression and Random Forest. Based on these advantages, we design a machine learning model that predicts prices 1 week, 2 weeks, and 4 weeks from the previous prices of agricultural products. The XGBoost model can derive the best performance by adjusting hyperparameters using the XGBoost Regressor library, which is a regression model. The implemented model is verified using the API provided by DACON, and performance evaluation is performed for each model. Because XGBoost conducts its own overfitting regulation, it derives excellent performance despite a small dataset, but it was found that the performance was lower than LGBM in terms of temporal performance such as learning time and prediction time.
참고문헌 (14)
- M. Fafchamps, "Impact of SMS-Based Agricultural Information on Indian Farmers", World Bank Economic Review, 26(3), pp.383~414 (2012)[DOI]
- Jae Byung Lee, "A Study on Recent Boosting Methods", pp.2020
- Sutskever, I., "Sequence to Sequence Learning with Neural Networks", NIPS, ~ (2014)
- Friedman, J. H., "Stochastic gradient boosting", Computational statistics & data analysis, 38(4), pp.367~378 (2002)[DOI]
- Ke, G, "LightGBM: A Highly Efficient Gradient Boosting Decision Tree", Proceedings of the 31st Conference on Neural Information Processing Systems (NIPS 2017) (2017)
- Dorogush, A.V, "Fighting biases with dynamic boosting", ~ (2017)
- Chen, T., "XGBoost: A Scalable Tree Boosting System", Proceedings of the 22th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (2016)
- "XGBoost Parameters"[URL]
- "CatBoost Training Parameters"[URL]