정보화시대에 인터넷 중독의 심각성은 정보화 사회의 큰 이슈로 부각되고 있다. 인터넷사용이 급증함에 따라 정보화의 역기능도 증가하고 있어 인터넷 중독은 사회적문제로 대두되고 있다. 초고속 무선인터넷 서비스 보급 및 넷북, 스마트 폰 등의 인터넷 접속기기가 더욱 다양화됨에 따라 인터넷 중독 자가진단 검사 척도인 K-척도의 진단기준도 시대변화에 따라 변화가 요구되었으며 2012년 3월에 K-척도의 진단기준이 변경되었다. 본 논문에서는 2012년 변경된 K-척도의 기준으로 경북지역 대학생들의 인터넷 중독 실태와 K-척도 특징들을 살펴보고자 한다. K-척도에서 중독 진단을 위한 조사방식은 응답자가 직접 자신의 중독증상을 주관적 판단에 의해 응답하는 설문방식이므로 응답자의 고의적인 사실 숨김으로 인해 응답오차가 발생할 수 있다. 본 논문에서는 응답오차를 줄이기 위해 변경된 K-척도에 응답자에게 설문 응답에 대한 신뢰할 수 있는 신뢰도 값을 추가적으로 입력하여 분석의 신뢰도를 높이고자 한다.
정보화시대에 인터넷 중독의 심각성은 정보화 사회의 큰 이슈로 부각되고 있다. 인터넷사용이 급증함에 따라 정보화의 역기능도 증가하고 있어 인터넷 중독은 사회적문제로 대두되고 있다. 초고속 무선인터넷 서비스 보급 및 넷북, 스마트 폰 등의 인터넷 접속기기가 더욱 다양화됨에 따라 인터넷 중독 자가진단 검사 척도인 K-척도의 진단기준도 시대변화에 따라 변화가 요구되었으며 2012년 3월에 K-척도의 진단기준이 변경되었다. 본 논문에서는 2012년 변경된 K-척도의 기준으로 경북지역 대학생들의 인터넷 중독 실태와 K-척도 특징들을 살펴보고자 한다. K-척도에서 중독 진단을 위한 조사방식은 응답자가 직접 자신의 중독증상을 주관적 판단에 의해 응답하는 설문방식이므로 응답자의 고의적인 사실 숨김으로 인해 응답오차가 발생할 수 있다. 본 논문에서는 응답오차를 줄이기 위해 변경된 K-척도에 응답자에게 설문 응답에 대한 신뢰할 수 있는 신뢰도 값을 추가적으로 입력하여 분석의 신뢰도를 높이고자 한다.
In the Information age, internet addiction has been a big issue in a modern society. The adverse effects of the internet addiction have been increasing at an exponential speed. Along with a great variety of internet-connected device supplies, K-scale diagnostic criteria have been used for the intern...
In the Information age, internet addiction has been a big issue in a modern society. The adverse effects of the internet addiction have been increasing at an exponential speed. Along with a great variety of internet-connected device supplies, K-scale diagnostic criteria have been used for the internet addiction self-diagnose tests in the high-speed wireless Internet service, netbooks, and smart phones, etc. The K-scale diagnostic criteria needed to be changed to meet the changing times, and the diagnostic criteria of K-scale was changed in March, 2012. In this paper, we analyze the internet addiction and K-scale features on the actual condition of Gyeongbuk collegiate areas using the revised K-scale diagnostic criteria in 2012. The diagnostic method on internet addiction is measured by the respondents' subjective estimation. Willful error of the respondents can be occurred to hide their truth. In this paper, we add the survey response to the trusted reliability values to reduce response errors on the K-scale on the K-scale, and enhance the reliability of the analysis.
In the Information age, internet addiction has been a big issue in a modern society. The adverse effects of the internet addiction have been increasing at an exponential speed. Along with a great variety of internet-connected device supplies, K-scale diagnostic criteria have been used for the internet addiction self-diagnose tests in the high-speed wireless Internet service, netbooks, and smart phones, etc. The K-scale diagnostic criteria needed to be changed to meet the changing times, and the diagnostic criteria of K-scale was changed in March, 2012. In this paper, we analyze the internet addiction and K-scale features on the actual condition of Gyeongbuk collegiate areas using the revised K-scale diagnostic criteria in 2012. The diagnostic method on internet addiction is measured by the respondents' subjective estimation. Willful error of the respondents can be occurred to hide their truth. In this paper, we add the survey response to the trusted reliability values to reduce response errors on the K-scale on the K-scale, and enhance the reliability of the analysis.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 대학생의 인터넷 중독 실태 및 특징을 분석하기 위하여 2012년 성인용 인터넷 중독 자가진단 K-척도에 대한 설문지를 이용하여 경북지역 컴퓨터 교양 과목을 수강하고 있는 대학생을 대상으로 조사하였다. 또한 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가적으로 입력하여 응답 오차를 줄이며 분석의 신뢰도를 높이고자 설계하였다. 분석결과 저학년일수록 잠재적 사용자 군과 고위험 사용자 군이 많음을 알 수 있었다.
본 논문에서는 설문 응답의 응답오차를 줄이기 위해 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가하였다. 본 논문에서는 2012년 인터넷 중독 자가진단 K-척도에 설문 응답자의 신뢰도 값을 추가적으로 입력하여 응답 오차를 줄이며 분석의 신뢰도를 높이고자 한다.
인터넷 중독과 관련된 연구는 청소년과 성인을 대상으로 한 연구는 많지만 대학생을 대상으로 한 연구는 부족한 실정이다 (Choi와 Ha, 2011; Jung 등, 2012; Kim과 Kim, 2012). 본 논문에서는 2012년의 인터넷 중독 자가진단 K-척도에 대한 평가 및 대학생들의 인터넷 중독 실태를 분석하고자 한다.
본 논문에서는 대학생의 인터넷 중독 실태 및 특징을 분석하기 위하여 2012년 성인용 인터넷 중독 자가진단 K-척도에 대한 설문지를 이용하여 경북지역 컴퓨터 교양 과목을 수강하고 있는 대학생을 대상으로 조사하였다. 또한 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가적으로 입력하여 응답 오차를 줄이며 분석의 신뢰도를 높이고자 설계하였다.
SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다. 본 논문에서는 서포트벡터 기법을 반영한 군집분석을 통해 각 집단의 분류특징을 살펴보고자 한다.
2012년 인터넷 중독 자가진단 K-척도는 중독 진단을 위한 조사 방식이 응답자가 직접 자신의 중독증상을 주관적 판단에 의해 응답하는 설문방식이므로 응답자의 고의적인 사실 숨김으로 인해 응답오차가 생길 수 있다. 본 논문에서는 설문 응답의 응답오차를 줄이기 위해 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가하였다. 본 논문에서는 2012년 인터넷 중독 자가진단 K-척도에 설문 응답자의 신뢰도 값을 추가적으로 입력하여 응답 오차를 줄이며 분석의 신뢰도를 높이고자 한다.
전체 설문은 457명의 학생이 응답하였다. 설문에 응답한 457명 중에 설문분석의 신뢰도를 높이기 위해 설문내용 중에 설문 응답에 대한 본인의 신뢰도를 입력하도록 하였다. 설문 응답에 대한 신뢰할 수 있는 신뢰도 값이 70% 이상인 경우에는 신뢰도 분석 시 신뢰도 값이 높을 뿐만 아니라 분석대상 인원도 적절하게 포함되어 설문 응답에 대한 신뢰도 값이 70% 이상인 417명의 자료를 분석대상으로 이용하였다.
제안 방법
2012년 인터넷 중독 자가진단 K-척도는 요인별 분류를 위해 사전에 준비된 예비 문항에서 신뢰도 분석을 통해 선정한 문항들로 구성하였으며, 인터넷 중독 자가진단 K-척도의 요인구조를 파악하기 위해 AMOS 7.0을 사용하여 Figure 2.1의 모형으로 확인적 요인분석을 실시하여 요인들을 분류하였다. 인터넷 중독 자가진단 K-척도의 확인적 요인분석을 위해 잠재변수로 설정된 각 하위요인별 관측변수들은 하위요인에 포함되는 문항들을 2개 혹은 3개로 묶어서 설정되어 있다.
본 논문에서는 SVC 기법 중 SEP-CG 방법을 이용하였다. SVC를 위한 입력 변수는 판별분석에서 선택한 2개의 요인 (일상생활장애, 내성 및 몰입)으로 하였다. SVC에서 사용된 커널 모수 σ는 1.
다음으로 SVC 기법을 이용하여 인터넷 중독 집단군을 분류하여 보았다. 본 논문에서는 SVC 기법 중 SEP-CG 방법을 이용하였다.
이런 경우에는 비모수적인 방법으로 해법을 찾아야 한다. 이런 제약들을 최대한 반영하기위해 비모수적인 방법으로 집단을 분류하는 방법을 적용하고자 한다. 비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다.
083)로 측정되었다. 측정된 적합도 지수들이 판정 기준치를 충족하여 2012년 인터넷 중독 자가진단 K-척도는 일상생활장애, 가상세계지향성, 금단, 내성의 4요인 및 그에 해당하는 하위 문항들로 구축되었다. 2012년 인터넷 중독 자가진단 K-척도가 어떤 특징이 있는지는 판별분석과 요인분석을 통해 간단하게 살펴볼 수 있다.
대상 데이터
2012년 한국정보화진흥원에서 개발한 성인용 인터넷 중독 자가진단 프로그램을 경북지역 4년제 대학에서 컴퓨터 관련 교양과목을 수강 중인 학생을 대상으로 설문조사하였다. 전체 설문은 457명의 학생이 응답하였다.
설문은 경북지역 4년제 대학에서 컴퓨터 관련 교양과목을 수강 중인 457명의 대학생을 대상으로 조사하였다. 설문 응답에 대한 신뢰할 수 있는 신뢰도 값이 70% 이상인 경우에는 신뢰도 분석 시 신뢰도 값이 높을 뿐만 아니라 분석대상 인원도 적절하게 포함되어 설문 응답에 대한 신뢰도 값이 70% 이상인 417명의 자료를 분석대상으로 이용하였다. 대학생들의 인터넷 중독 자가진단 K-척도가 어떤 특징이 있는지는 판별분석과 요인분석을 통해 간단하게 살펴볼 수 있다.
설문 응답에 대한 신뢰할 수 있는 신뢰도 값이 70% 이상인 경우에는 신뢰도 분석 시 신뢰도 값이 높을 뿐만 아니라 분석대상 인원도 적절하게 포함되어 설문 응답에 대한 신뢰도 값이 70% 이상인 417명의 자료를 분석대상으로 이용하였다. 설문 응답자들의 기초자료를 보면 학년별로 1학년 225명, 2학년 106명, 3학년 46명, 4학년 40명이며, 성별로는 남자 222명, 여자 192명, 무응답 3명이었다. 거주지별로는 집 234명, 자취 57명, 기숙사 117명, 기타 9명이었다.
설문은 경북지역 4년제 대학에서 컴퓨터 관련 교양과목을 수강 중인 457명의 대학생을 대상으로 조사하였다. 설문 응답에 대한 신뢰할 수 있는 신뢰도 값이 70% 이상인 경우에는 신뢰도 분석 시 신뢰도 값이 높을 뿐만 아니라 분석대상 인원도 적절하게 포함되어 설문 응답에 대한 신뢰도 값이 70% 이상인 417명의 자료를 분석대상으로 이용하였다.
2012년 한국정보화진흥원에서 개발한 성인용 인터넷 중독 자가진단 프로그램을 경북지역 4년제 대학에서 컴퓨터 관련 교양과목을 수강 중인 학생을 대상으로 설문조사하였다. 전체 설문은 457명의 학생이 응답하였다. 설문에 응답한 457명 중에 설문분석의 신뢰도를 높이기 위해 설문내용 중에 설문 응답에 대한 본인의 신뢰도를 입력하도록 하였다.
데이터처리
다음으로 대학생들의 인터넷 중독 분류 집단에 대한 요인별 특징을 살펴보기 위해 판별분석을 하였다. 판별분석 시 다중 회귀식을 추정하기 위해 동시입력방식과 단계입력방식을 이용하여 분류결과를 비교하였다.
다음으로 대학생들의 인터넷 중독 분류 집단에 대한 요인별 특징을 살펴보기 위해 판별분석을 하였다. 판별분석 시 다중 회귀식을 추정하기 위해 동시입력방식과 단계입력방식을 이용하여 분류결과를 비교하였다. K-척도 집단군에 대한 각 요인별 특징은 Table 3.
이론/모형
SVC 기법으로는 Yang 등 (2002)이 제안한 SVC 기반의 근접성 그래프 (proximity graph) 방식인 DD (delaunay diagram), MST (minimum spanning tree), k-NN (k-nearest neighbors)와 Lee와 Lee (2005)가 제안한 SVC 기반의 동적 시스템 (dynamical system) 방식인 SEP-CG (stable equilibrium point-complete graph)가 있다. 본 논문에서는 SEP-CG방식을 이용해서 비교 분석한다.
다음으로 SVC 기법을 이용하여 인터넷 중독 집단군을 분류하여 보았다. 본 논문에서는 SVC 기법 중 SEP-CG 방법을 이용하였다. SVC를 위한 입력 변수는 판별분석에서 선택한 2개의 요인 (일상생활장애, 내성 및 몰입)으로 하였다.
따라서 점 x에 대해 그 점이 특징공간에 사상된 상과 구 중심과의 거리를 구할 수 있다. 본 논문에서는 군집의 등고선을 산출하기 위해 가우시안 커널 (Gaussian kernel)을 사용하였으며, 식은 다음과 같다.
성능/효과
σ 와 C는 CV (cross validation) 방식에 의해서 결정되었으며, SV의 개수는 198개였다. SVC의 결과와 기존 SPSS 계층적 군집분석 결과를 판별적중률로 비교해보면 SVC는 84.89%, SPSS 계층적 군집분석은 60.19%로 SVC가 성능이 더 좋음을 알 수 있다. 현 설문자료와 같이 어떠한 가정을 할 수 없을 경우에는 SVC와 같이 비모수적인 방법으로 분석하는 것이 더 정확하다.
8%로 올바르게 분류된 것을 알 수 있다. 결과적으로 동시입력방식의 결과보다는 단계입력방식의 결과가 더 좋음을 알 수 있다. K-척도를 위한 전체 4개 요인을 사용하는 것보다는 영향력 있는 2개 요인을 이용하여 집단들을 분류하는 것이 더 효과적임을 알 수 있다.
Fisher 선형판별함수는 성인용 인터넷 중독 자가진단 프로그램에 참여한 새로운 분류대상에 대해 그 분류대상의 요인변수들의 값을 분류함수에 삽입하여 계산한 결과 큰 값으로 나타나는 집단에 분류시킨다. 동시입력방식을 이용해서 분류된 판별적중률 (hit ratio)은 83.2%로, 원래의 집단 케이스 중 83.2%로 올바르게 분류된 것을 알 수 있다.
문항 5, 15번은 다시 조정할 필요성이 있다. 또한 K-척도는 4개의 요인으로 분석했는데 설문지를 분석한 결과 전체 4개 요인을 사용하는 것보다는 영향력 있는 2개의 요인을 이용하여 집단들을 분류하는 것이 더욱 효과적이었다. 자가진단 프로그램이므로 서로 관련 있는 많은 문항보다는 대표성 있는 적은 문항으로 빠른 시간 내에 진단할 수 있다면 많은 사람들이 자가진단을 통해 자신의 상태를 파악할 수 있을 것이다.
또한 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가적으로 입력하여 응답 오차를 줄이며 분석의 신뢰도를 높이고자 설계하였다. 분석결과 저학년일수록 잠재적 사용자 군과 고위험 사용자 군이 많음을 알 수 있었다. 이는 고학년일수록 취업과 관련된 생활환경의 변화가 인터넷 중독 증상에서 벗어날 수 있게 조금은 영향력이 있는 듯하다.
성별로는 K-척도 분류 집단 간에 약간의 차이가 나타났다. 요인 분석에서 추출된 요인의 수는 3개로 K-척도에 나와 있는 4요인과는 조금 다르게 분류됨을 알 수 있었다. 이는 실험을 통해 설문 문항들 간에 연관성이 있는 문항이 많은 관계로 K-척도 기준과는 사뭇 다르게 분류됨을 알 수 있었다.
요인 분석에서 추출된 요인의 수는 3개로 K-척도에 나와 있는 4요인과는 조금 다르게 분류됨을 알 수 있었다. 이는 실험을 통해 설문 문항들 간에 연관성이 있는 문항이 많은 관계로 K-척도 기준과는 사뭇 다르게 분류됨을 알 수 있었다. 또한 문항 5, 15번은 어떤 요인에도 속하지 않음을 알 수 있었다.
질의응답
핵심어
질문
논문에서 추출한 답변
인터넷 중독 자가진단 K-척도에서 응답오차가 생기는 원인은?
2012년 인터넷 중독 자가진단 K-척도는 중독 진단을 위한 조사 방식이 응답자가 직접 자신의 중독증상을 주관적 판단에 의해 응답하는 설문방식이므로 응답자의 고의적인 사실 숨김으로 인해 응답오차가 생길 수 있다. 본 논문에서는 설문 응답의 응답오차를 줄이기 위해 2012년 인터넷 중독 자가진단 K-척도 설문에 응답자 자신의 설문 답변에 대한 신뢰할 수 있는 신뢰도 값을 입력할 수 있게 설문 문항을 추가하였다.
인터넷 중독 자가진단 K-척도에서 고위험 사용자군은 어떤 방법으로 분류할 수 있는가?
집단별로 분류해 보면 고위험 사용자군은 두 가지 방법으로 분류할 수 있다. 첫 번째는 일상생활장애, 금단, 내성의 세 하위 요인이 모두 표준화점수 (T 점수)가 71점 이상이거나 총점이 표준화점수 71점 이상인 집단이며, 두 번째는 문항 총점 42점 이상 이거나 일상생활장애 14점 이상, 금단 12점 이상, 내성 13점 이상인 경우 고위험 사용자 군으로 분류된다. 잠재적 위험 사용자군은 고위험 사용자 군에 속하지 않으면서 일상생활장애 요인이 표준화 점수 66점 이상이거나 총점이 표준화 점수 66점 이상이며, 설문문항 관점에서는 총점이 39점 이상이고 41점 이하이거나 일상생활장애가 13점 이상인 경우에 분류된다 (Kim과 Kim, 2011).
인터넷 중독은 무엇인가?
인터넷 중독은 최근에 컴퓨터가 급속도로 보급되면서 역기능의 하나로 등장한 정신적, 심리적 현상이다. 특히 네트워크 환경과 웹 브라우저의 출현으로 인터넷 접근이 쉬워지면서 사회문제로 부각되었다.
Choi, H. S. and Ha, J. (2011). A study on the factors inducing internet addiction of college students. Journal of the Korean Data & Information Science Society, 22, 437-448.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Hwang, C. (2011). Asymmetric least squares regression estimation using weighted least squares support vector machine. Journal of the Korean Data & Information Science Society, 22, 999-1005.
Hwang, C. (2010). Variable selection for multiclassification by LS-SVM. Journal of the Korean Data & Information Science Society, 21, 959-965.
Jung, Y. T., Oh, J. A. and Lee, Y. J. (2012). The study on factors affecting committing behavior school violence according to the degree of internet addiction. Journal of Digital Policy, 10, 77-86.
인터넷 중독과 관련된 연구는 청소년과 성인을 대상으로 한 연구는 많지만 대학생을 대상으로 한 연구는 부족한 실정이다 (Choi와 Ha, 2011; Jung 등, 2012; Kim과 Kim, 2012).
Kim, J. W. and Kim, H. J. (2011). Factor analysis for improving adults internet addiction diagnosis. International Journal of Fuzzy Logic and Intelligent systems, 15, 317-322.
Kim, H. J. and Kim, J. W. (2012). Comparative study of K-scale and the internet addiction diagnosis method using tolerance degree for internet use. Korea Association of Computer Education, 15, 47-55.
인터넷 중독과 관련된 연구는 청소년과 성인을 대상으로 한 연구는 많지만 대학생을 대상으로 한 연구는 부족한 실정이다 (Choi와 Ha, 2011; Jung 등, 2012; Kim과 Kim, 2012).
Kuhn, H. W. and Tucker, A. W. (1951). Nonlinear programming. In Proceedings of 2nd Berkeley Symposium, Berkeley, University of California Press, 481-492.
KKT (Karush-Kuhn-Tucker) 조건 (Kuhn과 Tucker, 1951)에 따라 다음의 결과를 얻게 된다.
Lee, J. and Lee, D. (2005). An improved cluster labeling method for support vector clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 27, 461-464.
SVC 기법으로는 Yang 등 (2002)이 제안한 SVC 기반의 근접성 그래프 (proximity graph) 방식인 DD (delaunay diagram), MST (minimum spanning tree), k-NN (k-nearest neighbors)와 Lee와 Lee (2005)가 제안한 SVC 기반의 동적 시스템 (dynamical system) 방식인 SEP-CG (stable equilibrium point-complete graph)가 있다.
Mercer, J. (1909). Functions of positive and negative type and their connection with the theory of integral equations. Philosophical Transactions of the Royal Society A, 415-446.
>W는 Mercer 커널 (Mercer, 1909) K(xi, xk)= ∅(xi)∅(xk)를 사용하여 다음과 같이 나타낼 수 있다.
Scholkopf, B., Platt, J., Shawe-Taylor, J., Smola, A. J. and Williamson, R. C. (2001). Estimating the support of a high-dimensional distribution. Neural Computation, 13, 1443-1472.
SVC는 Sch¨olkopf 등 (2001)과 Tax와 Duin (1999)에 의해 공식화 되었다.
Shim, J. and Hwang, C. (2011). Forecasting volatility via conditional autoregressive value at risk model based on support vector quantile regression. Journal of the Korean Data & Information Science Society, 22, 589-596.
Suykens, J. A. K. (2000). Least squares support vector machine for classification and nonlinear modeling. Neural Network World, Special Issue on PASE 2000, 10, 29-48.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Suykens, J. A. K. and Vanderwalle, J. (1999). Least square support vector machine classifier. Neural Processing Letters, 9, 293-300.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Suykens, J. A. K. and Vanderwalle, J. and De Moor, B. (2001). Optimal control by least squares support vector machines. Neural Networks, 14, 23-35.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Tax, D. M. J. and Duin, R. P. W. (1999). Support vector domain description. Pattern recognition Letters, 20, 1191-1199.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Vapnik, V. (1998). Statistical learning theory, Springer, New York.
비모수적인 분류 방법으로 분류에 로버스트하다고 알려진 서포트벡터기계 (support vector machine; SVM) 기법이 있다. SVM과 관련된 연구는 Vapnik (1995, 1998), Suykens (2000), Suykens와 Vanderwalle (1999, 2001), Hwang (2010, 2011), Shim (2011), Gjorgii 등 (2009)을 통해 알 수 있다.
Yang, J., Estivill-Castro, V. and Chalup, S. K. (2002). Support vector clustering through proximity graph modelling. Proceedings of the 9th International Conference. Neural Information Processing, 2, 898-903.
SVC 기법으로는 Yang 등 (2002)이 제안한 SVC 기반의 근접성 그래프 (proximity graph) 방식인 DD (delaunay diagram), MST (minimum spanning tree), k-NN (k-nearest neighbors)와 Lee와 Lee (2005)가 제안한 SVC 기반의 동적 시스템 (dynamical system) 방식인 SEP-CG (stable equilibrium point-complete graph)가 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.