초록 ▼

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

데이터 불균형은 머신러닝 분류 모델의 성능을 저하하는 요인으로 작용한다고 알려져 있다. 이러한 불균형을 해결하기 위해 샘플링 방법이나 두 개 이상의 모델을 결합한 앙상블 기법 등을 이용하여 분류하려는 집단의 데이터 분포를 비슷하게 맞추고 성능을 높이려는 연구가 활발하게 진행되고 있다.
본 연구에서는 데이터의 불균형이 머신러닝 모델 성능에 미치는 영향을 알아보기 위해 역으로 ...

데이터 불균형은 머신러닝 분류 모델의 성능을 저하하는 요인으로 작용한다고 알려져 있다. 이러한 불균형을 해결하기 위해 샘플링 방법이나 두 개 이상의 모델을 결합한 앙상블 기법 등을 이용하여 분류하려는 집단의 데이터 분포를 비슷하게 맞추고 성능을 높이려는 연구가 활발하게 진행되고 있다.
본 연구에서는 데이터의 불균형이 머신러닝 모델 성능에 미치는 영향을 알아보기 위해 역으로 클래스에 데이터의 불균형을 만들어 실험하였다. 실험에 사용된 데이터는 MNIST 손글씨 숫자 이미지 데이터이며, 머신러닝 모델은 총 4개로 컨볼루션 신경망(Convolutional Neural Network; CNN), 의사결정 나무(Decision Tree; DT), 로지스틱 회귀(Logistic Regression; LR), k-최근접 이웃(k-Nearest Neighbor; k-NN)이다. 실험은 세 가지 기준(클래스 0~4가 불균형일 때, 특정 클래스가 불균형일 때, 전체 클래스 데이터양에 차이가 있을 때)으로 데이터를 각각 10% 단위로 삭제한 후 실험하였다. 그중 데이터 불균형이 10, 40, 80%일 때를 선정하여 분석하였고 실제로 불균형이 클수록 머신러닝 모델 성능에 영향이 있음을 확인할 수 있었다.

주제어