[Deep Learning] 시계열 Dataset에 MinMax Scaling 적용하기

시계열 Window를 만드는 원리는 앞 단계에서 정리했다.
이제 필요한 것은 만들어진 Window의 값 범위를 맞추고, 모델의 출력값을 다시 원래 가격으로 해석할 수 있도록 Dataset을 완성하는 일이다. 이 글에서는 Window 생성 과정을 반복하지 않고 Scaling과 Unscaling에 집중한다.

⠀

1. 왜 시계열 Dataset에 Scaling이 필요할까

Close와 Volume은 값의 단위와 크기가 크게 다르다.
그대로 학습하면 값이 큰 변수의 영향이 지나치게 커질 수 있으므로 각 열을 0과 1 사이로 바꾼다.

scaled = (value - min) / (max - min)

기호	의미
value - min	현재 값이 최솟값에서 얼마나 떨어져 있는지
max - min	그 열 전체의 범위 size
나눗셈 결과	전체 범위 중 현재 값의 상대적 위치

최솟값은 분자가 0이 되어 0으로 바뀌고, 최댓값은 분자와 분모가 같아져 1로 바뀐다.

Close 열을 실제 숫자로 보면 최솟값은 약 340.431, 최댓값은 약 377.407이고 범위는 약 36.976이다.
첫날 Close 373.270은 `(373.270 - 340.431) / 36.976 ≈ 0.888`로 바뀐다.
373이라는 가격 자체가 아니라, 이 기간의 최솟값과 최댓값 사이에서 약 88.8% 지점에 있다는 뜻이다.

📌 이해 보충 | `axis=0`은 각 열을 기준으로 모든 행을 비교한다.
따라서 Close, High, Low, Open, Volume마다 서로 다른 최솟값과 최댓값이 계산된다.

⠀

2. 예측값을 원래 가격으로 되돌리려면 무엇을 저장해야 할까

original = scaled * size + min

Scaling할 때 최솟값을 빼고 size로 나눴으므로, 원복할 때는 반대로 size를 곱하고 최솟값을 더한다.
앞의 0.888을 되돌리면 `0.888 × 36.976 + 340.431 ≈ 373.270`이 된다.
모델이 Close만 예측한다면 모든 열의 통계값을 저장할 필요 없이 Close의 `min`과 `size`만 기억하면 된다.

저장할 값	필요한 이유
target 열의 min	Scaling할 때 뺀 값을 다시 더하기 위해
target 열의 size	Scaling할 때 나눈 범위를 다시 곱하기 위해
scaled_arr	같은 기준으로 Window feature와 target을 만들기 위해

열마다 다른 최솟값과 범위를 사용해 0에서 1 사이로 변환한 결과

⠀

3. 기존 시계열 Dataset에 Scaling 기능을 연결하기

Window 생성 메서드는 그대로 두고, 객체를 만들 때 Scaling을 먼저 실행하도록 순서를 연결한다.
이후 Window는 원본 배열이 아니라 `self.scaled_arr`에서 만들어진다.

📌 이해 보충 | Window 생성 코드 자체는 달라지지 않는다.
달라지는 부분은 `self.arr` 대신 `self.scaled_arr`를 잘라 feature와 target을 만든다는 점이다.

⠀
왜 target 열의 min과 size만 따로 저장할까

feature에는 다섯 열이 모두 들어가지만 모델이 최종적으로 예측하는 값은 `target_idx=0`, 즉 Close다.
따라서 예측값을 원복할 때는 Close에 적용했던 최솟값과 범위만 있으면 된다.
High나 Volume의 통계값으로 Close 예측값을 되돌리면 단위가 맞지 않는다.

⠀

4. 객체 생성과 데이터 조회는 실행 시점이 다르다

실행 코드	내부에서 일어나는 일	결과
MyDataset(df)	Scaling 실행 후 Window 생성	min, size, features, targets 저장
len(dataset)	저장된 features의 길이 확인	학습 샘플 수 반환
dataset[0]	저장된 첫 feature와 target 조회	한 샘플 반환
transform_by_unscaling(pred)	pred에 size를 곱하고 min을 더함	원래 Close 단위 반환

📌 이해 보충 | `dataset[0]`을 실행할 때마다 MinMax Scaling과 모든 Window를 다시 만드는 것이 아니다.
이 구현에서는 객체를 생성할 때 전처리를 한 번 끝내고,
조회할 때는 저장된 `self.features[0]`과 `self.targets[0]`만 꺼낸다.

⠀

5. 핵심 정리

개념	기억할 내용
MinMax Scaling	열마다 최솟값과 범위를 사용해 0에서 1 사이로 변환
target_idx	예측값 원복에 사용할 target 열 선택
self.min, self.size	target Scaling에 사용한 정보를 저장
scaled_arr	Scaling된 값으로 시계열 Window 생성
Unscaling	모델 출력을 원래 Close 단위로 되돌림

28일차 시계열 파트의 핵심은 Window를 다시 만드는 법이 아니라 전처리 기준을 Dataset 안에 저장하는 것이다.
그래야 학습용 값은 일정한 범위로 바꾸고, 모델의 결과는 다시 사람이 이해할 수 있는 가격 단위로 되돌릴 수 있다.