초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

본 논문에서는 기존에 있었던 결측치 대체 알고리즘 중에서 9가지 방법론을 사용해 결측치 대체 성능을 비교한다. 그리고 결측치 대체 후 알고리즘별 대쳇값을 사용하여 실제적인 분석 모델 성능에 차이가 있는지 실험하였다. 실제적인 분석에서는 추가적인 전처리 방법에 영향받는 것을 방지하기 위해 다른 전처리 방법은 진행하지 않았다. 실험에 사용한 알고리즘 9가지는 다음과 같다. 단일 대체 방법론 중에서는 평균값, 최빈값, 중앙값과는 통계치를 사용한 대체 방법과 K-Nearest
Neighbor(...

본 논문에서는 기존에 있었던 결측치 대체 알고리즘 중에서 9가지 방법론을 사용해 결측치 대체 성능을 비교한다. 그리고 결측치 대체 후 알고리즘별 대쳇값을 사용하여 실제적인 분석 모델 성능에 차이가 있는지 실험하였다. 실제적인 분석에서는 추가적인 전처리 방법에 영향받는 것을 방지하기 위해 다른 전처리 방법은 진행하지 않았다. 실험에 사용한 알고리즘 9가지는 다음과 같다. 단일 대체 방법론 중에서는 평균값, 최빈값, 중앙값과는 통계치를 사용한 대체 방법과 K-Nearest
Neighbor(KNN), MISSForest와 같은 예측 모델을 활용한 기계학습 방법론들 그리고 Neural Network Architecture 중에서는 비지도 방식으로 학습하는 AutoEncoder, 적대적 신경망의 구조를 가진 GAN의 Architecture를 활용한 Generative Adversarial Imputation Networks (GAIN)을 사용하고, 다중 대체 방법론 중에서는 Multiple Imputation by Chained Equations(MICE), Expectation Maximization(EM)을 사용한다. 결측치는 MCAR로 가정하여 임의로 만들어 실험하였다. 비율을 총 5가지인 5%, 10%, 20%, 25%, 30%를 사용하였다. 결측치 대체 알고리즘별 대체에 대한 성능을 연속형 변수는 NRMSE(Normalized Root Mean Squared Error)로 비교하고, 범주형 변수는 PFC(Proportion of Falsely Classified entrites)수치를 비교하여 검증하였다. 각 알고리즘을 이용해 대체된 데이터를 LightGBM으로 실제적인 분석을 한 뒤 정확도(Accuracy)로 성능 비교 실험을 하였다. 실험 결과는 다음과 같다. 4가지 데이터에서 결측치 대체 성능 면에서는 GAIN 알고리즘이 가장 우수한 성능을 보였다. 특히 PFC 값이 다른 알고리즘에 우수하다는 것을 확인했다. 그리고 모델 성능 면에서는 특정 알고리즘이 좋다고는 할 수 없지만, 결측치 대체 성능과 대체 후 모델 성능에 연관성을 어느 정도 확인하였다.

주제어