선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이는 입력 변수 간에 강한 상관관계를 가지는 경우 모든 변수를 이용하지 않아도 분류 정확성을저해하지 않는 것을 의미한다. 따라서 교통량 추정, 품질 예측문제에 있어서 센서의 설치비용을 절감할 수 있는 가능성을제시한다. 이상의 결과는 기존의 경험적(empirical) 연구 중에서 앙상블 방법이 분류성능을 향상시키는 경우도 있으며 그렇지 못한 경우도 있었던 이유가 연구에 사용된 데이터의 변수간 상관관계와 분산의 정도에 따른 특징에 기인하는 것으로볼 수 있다.
- 그러나 이상의 다양한 앙상블 방법에 대한 연구들은 데이터의 특성을중심으로 된 것이라기 보다는 경험적(empirical) 연구의 측면이 강하다. 따라서 본 논문은 기존의 연구에서 수행된 Bagging, Variable Selection Bagging, Parameter Combining 방법과 더불어 여러 분류기 예측 결과를 융합하는 기존의 앙상블 방법과는 반대로 데이터를 특성에 따라 군집으로 나누고 각 군집별분류를 하는 Clustering 방법 의 성능을 평가하고자 한다. 분류방법에 따른 성능평가의 현실성을 높이 기 위하여 다구찌 디자인을 바탕으로 데이터로부터 성격을 파악할 수 있는 제어인자와 파악할 수 없는 비제어 인자를 동시에 고려한 시뮬레이션성능을 연구하였다.
- 이처럼 주어진 데이터의 특성에 따라 적절한 앙상블 또는 군집분석 방법을 선택하는 일종의 메타모형은 그 중요성에도 불구하고 연구가 많이 되어 있지 않은 상황이다. 따라서 본 연구에서는 Monte Carlo Simulation을 이용하여 데 이터의 특성을 나타내는 인자들과 앙상블, Clustering 방법 간의교호작용을 분류정확성의 관점에서 분석하고자 한다. 이를 위하여 데이터의 특성을(1) 입력변수 간의 상관관계, (2) 데이터의 분산, (3) 데이터의 크기, (4) 입출력변수 간의 함수로 나누고, (5) 분류방법(로지스틱 회귀분석, Bagging, Variable Selection Bagging, Parameter Combining, Clustering)에 따라 이진 출력값에 대한 분류정확성을 비교하였다.
- 본 장에서는 데이터의 특성에 비추어 예측능력이 높은 분류기법을 찾기 위한 시뮬레이 션을 시 행하였다. 시뮬레이션 데이터는 다중 정규(Multivariate Normal) 분포를 따르는 5개의 입 력변수와 이 진 값(Binary)을 가지는 출력 변수로 이 루어 져 있으며, 이들의 특성을 나타내는 실험의 인자(Factor)와 수준(Level)을 정하였다.
- 따라서 본 논문은 기존의 연구에서 수행된 Bagging, Variable Selection Bagging, Parameter Combining 방법과 더불어 여러 분류기 예측 결과를 융합하는 기존의 앙상블 방법과는 반대로 데이터를 특성에 따라 군집으로 나누고 각 군집별분류를 하는 Clustering 방법 의 성능을 평가하고자 한다. 분류방법에 따른 성능평가의 현실성을 높이 기 위하여 다구찌 디자인을 바탕으로 데이터로부터 성격을 파악할 수 있는 제어인자와 파악할 수 없는 비제어 인자를 동시에 고려한 시뮬레이션성능을 연구하였다.
가설 설정
- 5개 입력 변수 간 상관관계 가 약할 때의 p2 값은 각각 0.05 ~0.3 사이이며, 중간일 때는 0.4-0.7, 강할 때는 0.7-0.96 사이로 가정하였다. 실험에 사용된 각 입력변수 간 상관관계는<표 1>, <표 2>, <표 3>과 같다.
- Ha2: 데이터의 분산이 작으면 로지스틱 회귀분석은 다른네 가지 방법보다 분류 정확성이 높다.
- Ha3 : 데 이 터 의 분산이 중간이 면 Bagging과 Parameter Combining 은 다른 네 가지 방법보다 분류 정확성 이 높다.
- Ha4 : 데이터의 분산이 크면 Clustering 방법과 다른 네 가지방법보다 분류 정확성이 높다.
- Ha5 : 입력변수 간의 상관관계가 높으면 Variable Selection Bagginge 다른 네 가지 방법보다 분류 정확성이 높다.
- Hal : 데이터의 크기는 분류 정 확성 에 유의한 영향을 준다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.