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
- 본 논문에서는 산술 연산자를 이용한 분류 규칙의 분류성능 올 비교 평가하기 위해서 신경망을 이용한 실험 올 추가로 수행하였다. 먼저 그림 11의 분류 규칙에서 사용된 3개의 유전자를 이용하여 신경망을 학습하여 분류를 수행하였고, 두 번째로 신호 대 잡음비 특징 30개를 모두 이용하여 신경망올 학습하여 분류 성능을 측정하였다.
- 유전자 알고리즘이나 유전자 프로그래밍과 같은 진화연산은 적자생존을 기초로 한 자연 선택 방법으로 해집단올 발전시켜 우수한 해를 얻는 기법으로 거대한 해영역 탐색에 효과적이고 염색체를 자유롭게 설계하여 사람이 이해하기 쉬운 해구조를 얻어낼 수 있어 최근 많은 분야에서 적용되고 있다. 본 논문에서는 유전자 프로그래밍올 이용하여 고차원의 유전자발현 정보로부터 우수한 성능을 획득하고 사람이 이해할 수 있는 분류 규칙을 생성하는 방법을 제안한다.
제안 방법
- 따라서 본 논문에서는 상관계수, 유사도, 정보이론에 기반을 둔 총 7개의 순위-기반 특징추출 방법을 사용하였다. 각 선택 방법별로 유전자의 점수를 계산하고 상위에 랭크된 유전자를 선택하여 분류규칙 발견에 사용하였다.
- 따라서 계산된 값이 양수이면 부류 1, 옴수이면 부류 2가 되도록 분류 규칙올 구성하였다.
- 순위기반 특징추출 방법은 단순하고 연산이 비교적 간단하지만 유전자 발현 데이타에 적용되어 우수한 성능을 보인다{15]. 따라서 본 논문에서는 상관계수, 유사도, 정보이론에 기반을 둔 총 7개의 순위-기반 특징추출 방법을 사용하였다. 각 선택 방법별로 유전자의 점수를 계산하고 상위에 랭크된 유전자를 선택하여 분류규칙 발견에 사용하였다.
- 사용한다. 또한 이해하기 쉬운 크기의 분류규칙을 얻기 위해 각 개체의 크기에 대한 평가를 적합도 평가에 추가한다. 일반적으로 동일한 성능을 내는 분류기의 경우 간단한 것이 일반화 능력이 뛰어나다고 알려져 있다.
- 추가로 수행하였다. 먼저 그림 11의 분류 규칙에서 사용된 3개의 유전자를 이용하여 신경망을 학습하여 분류를 수행하였고, 두 번째로 신호 대 잡음비 특징 30개를 모두 이용하여 신경망올 학습하여 분류 성능을 측정하였다. 신경망은 세 개의 충으로 구성되었으며 출력층은 2개의 노드로 구성하여 각 부류를 나타내도록 하였다.
- 먼저 특징추출 단계를 거쳐 유용한 유전자만 올 선택하여 유전자 발현 데이타의 특징 차원올 감소시키고, 선택된 유전자를 가지고 유전자 프로그래밍을 이용하여 우수한 분류규칙을 생성한다.
- gov/lymphoma/)는 4026개의 유전자로 구성되어 있으며 총 47개의 샘플이 사용되었다[18L 이중 24개는 GC B-like DLBCL이고, 23개는 activated B-Like DLBCL이다. 모든 샘플의 특징값은 정규화하여 사용하였다. 특징 수는 많지만 샘플 수가 매우 적기 때문에 하나의 샘푤올 테스트 데이타로 놓고 나머지 샘플 올 학습 데이타로 사용하는 것을 모든 샘플에 대해 반복하는 Leave-one-out cross validation으로 제안하는 방법을 평가하였다.
- 본 논문에서는 보다 정확한 분류규칙을 발견하기 위해 단순한 논리연산이 아닌 산술연산을 이용하여 분류규칙을 구성한다. 특징추출 단계에서 뽑힌 30개의 특징과 기본적인 산술연산자(+, -, X, /)룔 이용하여 트리를 만들어 개체의 표현형으로 이용하였다.
- 본 논문은 DNA 유전자 발현 데이타의 효과적인 분석을 위하여 규칙발견 및 표현에 유용하고 생물의 진화과정 올 모델로 한 유전자 프로그래밍을 사용하였다. 특징 차원은 크고, 샘플의 수는 매우 적은 유전자 발현 데이타로부터 유의한 분류규칙을 추출하는 것은 어려운 문제이다.
- 먼저 그림 11의 분류 규칙에서 사용된 3개의 유전자를 이용하여 신경망을 학습하여 분류를 수행하였고, 두 번째로 신호 대 잡음비 특징 30개를 모두 이용하여 신경망올 학습하여 분류 성능을 측정하였다. 신경망은 세 개의 충으로 구성되었으며 출력층은 2개의 노드로 구성하여 각 부류를 나타내도록 하였다. 은닉충은 2~10개의 노드로 구성하고, 학습률은 0.
- 실험은 먼저 7가지 특징선택 방법올 이용하여 상위 30개의 특징을 각각 추출하고 추출된 특징을 바탕으로 트리를 구성하였다. 유전자 프로그래밍의 설정은 표 4와 같다 개체의 적합도 평가 함수에서 가중치 处과 1 妃는 각각 09와 0.
- 제안하는 방법과 기존의 분류규칙 생성방법의 성능 비교를 위해서 본 논문에서는 결정트리를 이용하여 동일한 leave-one-out cross-validation 방식으로 각 특징추출 방법에 대해서 총 329(=47x7)번의 실험을 수행하였다. 사용한 결정트리 알고리즘은 전통적으로 많이 이용되는 C4.
- 모든 샘플의 특징값은 정규화하여 사용하였다. 특징 수는 많지만 샘플 수가 매우 적기 때문에 하나의 샘푤올 테스트 데이타로 놓고 나머지 샘플 올 학습 데이타로 사용하는 것을 모든 샘플에 대해 반복하는 Leave-one-out cross validation으로 제안하는 방법을 평가하였다. 결과의 신뢰성을 위해 각 샘플에 대해 10회 반복하여 총 470(=10x47)회 실험의 평균을 최종 결과로 사용하였다.
- 구성한다. 특징추출 단계에서 뽑힌 30개의 특징과 기본적인 산술연산자(+, -, X, /)룔 이용하여 트리를 만들어 개체의 표현형으로 이용하였다. 표 2는 본 논문에서 사용된 산술연산자가 유전자 데이타에 대해 갖는 의미를 정의한 것으로, 이를 이용하여 발견된 분류 규칙 올 해석한다.
- 특징 차원은 크고, 샘플의 수는 매우 적은 유전자 발현 데이타로부터 유의한 분류규칙을 추출하는 것은 어려운 문제이다. 특징추출을 수행하여 유용한 특징을 선택하고, 유전자 프로그래밍올 이용하여 선택된 특징들로 산술구조의 규칙을 생성하였다. 진화과정에서 얻어진 다양한 분류규칙으로부터 10。%의 분류성능을 내는 산술구조의 분류규칙올 발견할 수 있었다.
대상 데이터
- 특징 수는 많지만 샘플 수가 매우 적기 때문에 하나의 샘푤올 테스트 데이타로 놓고 나머지 샘플 올 학습 데이타로 사용하는 것을 모든 샘플에 대해 반복하는 Leave-one-out cross validation으로 제안하는 방법을 평가하였다. 결과의 신뢰성을 위해 각 샘플에 대해 10회 반복하여 총 470(=10x47)회 실험의 평균을 최종 결과로 사용하였다.
- 따라서 적절한 특징 개수의 선택이 중요한데, 유전자 발현 데이타의 경우 20~70개 정도를 사용하였을 경우 큰 차이없이 비슷한 성능이 나왔다[3]. 따라서 본 논문에서는 모두 30개의 유전자들을 선택하여 분류규치 발견에 사용하였다.
- 림프종 데이타를 사용하였다. 림프종 데이타 (http:〃llmpp.nih.gov/lymphoma/)는 4026개의 유전자로 구성되어 있으며 총 47개의 샘플이 사용되었다[18L 이중 24개는 GC B-like DLBCL이고, 23개는 activated B-Like DLBCL이다. 모든 샘플의 특징값은 정규화하여 사용하였다.
- 실험 데이타로는 웹상에 공개되어 있는 유전자 발현데이타인 림프종 데이타를 사용하였다. 림프종 데이타 (http:〃llmpp.
이론/모형
- 사용한 결정트리 알고리즘은 전통적으로 많이 이용되는 C4.5[5]와 최근 C4.5를 개량하여 상업용으로 배포하고 있는 See5[21]를 이용하였다. 그림 14는 제안하는 방법과 결정트리와의 성능을 보여주며, 제안하는 방법이 평균 분류율과 최고 분류율에서 보다 우수함을 확인할 수 있었다.
- 9로 다양하게 설정하였다. 제안하는 방법에 사용한 leave-one-out cross validation으로 성능올 평가하였다. 첫 번째 실험 결과로, 학습 데이타에 대한 인식률은 98%, 테스트 데이타에 대한 인식률은 97.
성능/효과
- 5를 개량하여 상업용으로 배포하고 있는 See5[21]를 이용하였다. 그림 14는 제안하는 방법과 결정트리와의 성능을 보여주며, 제안하는 방법이 평균 분류율과 최고 분류율에서 보다 우수함을 확인할 수 있었다. 특징의 클래스에 대한 영향력을 측정한 반면, 결정트리 는 전통적으로 많이 사용되는 논리적 분류규칙을 이용 하였기 때문에 다른 측면의 정보를 얻는다.
- 8%이 되어 제안하는 방법에 미치지 못하는 결과를 획득하였다. 두 번째로 모든 특징을 사용한 경우에는, 학습 데이타에 대한 인식률과 테스트 데이타에 대한 인식률이 모두 95.7%로 처음 실험보다 떨어지는 것 올 확인하였다. 이는 유전자 프로그래밍을 이용하여 분류규칙을 생성하였을 때, 특징 추출 효과도 함께 얻었음을 말해준다.
- 학습 데이타에 대한 인식률은 정보이득을 제외한 대부분의 경우 100%에 가까웠다. 정보이득의 경우 테스트 데이타에대한 인식률도 67.3%로 매우 저조하게 나왔으나 다른 특징추출 방법은 거의 90%이상의 인식률을 보였다. 특히 SN의 경우 테스트 데이타에 대해서 최고 96.
- 제안하는 방법에 사용한 leave-one-out cross validation으로 성능올 평가하였다. 첫 번째 실험 결과로, 학습 데이타에 대한 인식률은 98%, 테스트 데이타에 대한 인식률은 97.8%이 되어 제안하는 방법에 미치지 못하는 결과를 획득하였다. 두 번째로 모든 특징을 사용한 경우에는, 학습 데이타에 대한 인식률과 테스트 데이타에 대한 인식률이 모두 95.
- 6%의 인식률을 획득하였다. 특징선택 방법은 ED와 SN이 우수하였으며, 각 규칙 형식에 따른 결과에서는 세 번째 형식이 가장 좋은 성능을 거두었다. 그림 9는 각 규칙 형식과 특징선택 방법별로, 그림 10온 각 형식별로 성능을 그래프로 표현한 것이다.
후속연구
- 생성에 유용하다. 논리 및 산술구조를 복합적으로 사용한 분류규칙은 보다 높은 설명기능과 성능을 낼 것으로 예상되며, 단일 분류규칙만을 사용할 때보다 다양한 분류규칙을 생성하여 이들을 결합한다면 보다 높은 분류 성능을 얻을 수 있을 것이다. 제안한 방법온 2-클래스 분류를 가정하기 때문에 향후에는 계충적으로분류 규칙올 구성하여 다중 클래스 분류가 가능하도록 확장하는 연구가 필요하다.
- 이 규칙은 실험에서 가장 빈번히 발생한 규칙이며, 사용된 3개의 유전자에 대한 내용은 표 6과 같다. 사용된 유전자 중 하나는 이미 기능이 밝혀진 것이지만 나머지 둘은 아직 밝혀지지 않은 것으로 이에 대한 임상적 연구가 필요한 것이다.
- 함수는 산술연산, 논리연산 및 사용자 정의 연산 둥 매우 다양하며, 이들 중 문제에 따라 적절히 선택하여 사용한다[10, 11, 14]. 이 기술은 특정한 문법을 가지는 프로그램으로 해결될 수 있는 모든 문제에 적용될 수 있으며, 문제영역에 의존적이지 않기 때문에 보다 다양한 분야에 사용될 수 있다. 최근에는 최적화문제나 어셈블리 코드의 진화, 진화하드웨어 캐릭터행동진화 등의 문제에 많이 도입되고 있다[13].
- 논리 및 산술구조를 복합적으로 사용한 분류규칙은 보다 높은 설명기능과 성능을 낼 것으로 예상되며, 단일 분류규칙만을 사용할 때보다 다양한 분류규칙을 생성하여 이들을 결합한다면 보다 높은 분류 성능을 얻을 수 있을 것이다. 제안한 방법온 2-클래스 분류를 가정하기 때문에 향후에는 계충적으로분류 규칙올 구성하여 다중 클래스 분류가 가능하도록 확장하는 연구가 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.