최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기응용통계연구 = The Korean journal of applied statistics, v.24 no.6, 2011년, pp.1249 - 1257
박소현 (고려대학교 통계학과) , 방성완 (육군사관학교 수학과) , 전명식 (고려대학교 통계학과)
In this paper, we propose a Sequential Adaptive Nearest Neighbor(SANN) imputation method that combines the Adaptive Nearest Neighbor(ANN) method and the Sequential k-Nearest Neighbor(SKNN) method. When choosing the nearest neighbors of missing observations, the proposed SANN method takes the local f...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
KNN 대치법의 단점은 무엇인가? | Jhun 등 (2007)이 제시한 이웃의 개수를 적응적으로 부여하는 방안은 판별분류방법에도 적용되어 연구되었다 (전명식과 최인경, 2009; 맹진우 등, 2010). 한편, KNN 대치법은 결측값이 발생하지 않은 완전한 개체들만을 이용해서 이웃집단을 선정하기 때문에 결측값이 하나라도 발생한 개체가 지닌 관측된 변수들에 대한 정보는 이용할 수 없다. 이에, Kim 등 (2004)은 KNN 대치법의 대안으로 결측이 발생한 개체 내의 관측된 변수들의 값을 순차적으로 활용하는 순차 k-최근접 이웃(Sequential k-Nearest Neighbors; SKNN) 대치법을 제안하였다. | |
SANN 대치법의 장점은 무엇인가? | 반면에, SANN 대치법은 결측 변수의 수가 적은 개체부터 대치를 함으로서, 이미 결측값 대치가 완료된 개체 B와 D도 이웃으로 사용할 수 있어 실선 안에 있는 세 개의 개체를 이용하여 결측값을 대치하게 된다. 이 방법은 이웃에 있는 개체 수가 제한적인 상황에서 먼저 결측값이 대치된 개체를 재활용함으로써 자료를 더 효과적으로 이용할 수 있다는 장점이 있다. | |
k-최근접 이웃(KNN) 대치법이란 무엇인가? | 통계적 분석과정에서 결측값의 처리에 관하여 많은 방법론이 연구되어 왔으며 (Little과 Rubin, 1987; 이진희 등, 2006; 이상은과 신기일, 2010), 그 중 대치법(imputation)은 가장 널리 사용되고 있는 방법 중 하나이다. 여러 다양한 종류의 대치법들 중에서 Dixon (1979)과 Troyanskaya 등 (2001)에 의해 제안된 k-최근접 이웃(k-Nearest Neighbors; KNN) 대치법은 결측이 발생한 개체와 가장 가까운 거리에 있는 k개의 이웃 개체들을 활용하여 결측값을 대치하는 비모수적 방법으로, 다변량 정규성 등의 모수적 모형이 만족되지 않을 때에도 강건성(robustness)을 지니며 그 계산 알고리즘이 간단하다는 장점을 바탕으로 널리 활용되고 있다. 그러나 KNN 대치법은 모든 개체에 대해 고정된 k개의 이웃을 사용하기 때문에 결측이 발생한 개체의 위치에 따른 국소적 특징을 간과할 수 있다. |
Dixon, J. K. (1979). Pattern recognition with partly missing data, IEEE Transactions on Systems, Man, and Cybernetics, 9, 617-621.
Jhun, M., Jeong, H. C. and Koo, J. Y. (2007). On the use of adaptive nearest neighbors for missing value imputation, Communications in Statistics: Simulation and Computation, 36, 1275-1286.
Kim, K. Y., Kim, B. J. and Yi, G. S. (2004). Reuse of imputed data in microarray analysis increases imputation efficiency, BMC Bioinformatics, 5, 160.
Little, R. J. A. and Rubin, D. B. (1987). Statistical Analysis With Missing Data, Wiley, New York.
Troyanskaya, O., Cantor, M., Sherlock, G., Brown, P., Hastie, T., Tibshirani, R., Botstein, D. and Altman, R. B. (2001). Missing value estimation methods for DNA microarrays, Bioinformatics, 7, 520-525.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.