[논문]퍼지 매핑을 이용한 퍼지 패턴 분류기의 Feature Selection

노석범; 김용수; 안태천

doi:10.5391/jkiis.2014.24.6.646

초록
AI-Helper

본 논문에서는 다차원 문제로 인하여 발생하는 패턴 분류 성능의 저하를 방지 하여 퍼지 패턴 분류기의 성능을 개선하기 위하여 다수의 Feature들 중에서 패턴 분류 성능 향상에 기여하는 Feature를 선택하기 위한 새로운 Feature Selection 방법을 제안 한다. 새로운 Feature Selection 방법은 각각의 Feature 들을 퍼지 클러스터링 기법을 이용하여 클러스터링 한 후 각 클러스터가 임의의 class에 속하는 정도를 계산하고 얻어진 값을 이용하여 해당 feature 가 fuzzy pattern classifier에 적용될 경우 패턴 분류 성능 개선 가능성을 평가한다. 평가된 성능 개선 가능성을 기반으로 이미 정해진 개수만큼의 Feature를 선택하는 Feature Selection을 수행한다. 본 논문에서는 제안된 방법의 성능을 평가, 비교하기 위하여 다수의 머신 러닝 데이터 집합에 적용한다.

Abstract ▼ AI-Helper

In this paper, in order to avoid the deterioration of the pattern classification performance which results from the curse of dimensionality, we propose a new feature selection method. The newly proposed feature selection method is based on Fuzzy C-Means clustering algorithm which analyzes the data p...

In this paper, in order to avoid the deterioration of the pattern classification performance which results from the curse of dimensionality, we propose a new feature selection method. The newly proposed feature selection method is based on Fuzzy C-Means clustering algorithm which analyzes the data points to divide them into several clusters and the concept of a function with fuzzy numbers. When it comes to the concept of a function where independent variables are fuzzy numbers and a dependent variable is a label of class, a fuzzy number should be related to the only one class label. Therefore, a good feature is a independent variable of a function with fuzzy numbers. Under this assumption, we calculate the goodness of each feature to pattern classification problem. Finally, in order to evaluate the classification ability of the proposed pattern classifier, the machine learning data sets are used.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 다차원 데이터의 차원 수를 감소하기 위한 새로운 방법을 제시한다. 일반적인 함수의 정의는 그림 1과 같이 정의역 X에 속한 임의의 원소 x 가 치역의 임의의 원소 y 와 대응 될 때 f : X→Y를 함수라 할 수 있다.
본 논문에서는 일반적 함수의 특성에 기반 한 새로운 Feature Selection 알고리즘을 제시하고자 한다.
본 논문에서는 퍼지수를 이용한 Feature Selection 방법을 제안하였다. 제안된 Feature Selection 기법에 의해 선택된 입력 변수들을 Linear Discriminant Analysis의 입력으로 사용하여 패턴 분류를 수행하였다.

가설 설정

2. Definition of Function of Fuzzy Number.
1. Definition of Function.
위 조건을 이용하여 비슷한 특성을 가진 데이터 포인트 x_i과 x_j 가 다른 클래스에 속하게 되면, 이와 같은 특성을 가진 데이터 집합은 패턴 분류하기 힘들다고 가정한다. 그래서 위와 같은 특성을 보이는 Feature들을 제거하고 나머지 Feature들로만 구성된 새로운 데이터 집합을 구성한 후 패턴 분류기에 적용한다.

제안 방법

Benchmark 데이터 집합을 이용하여 제안된 패턴 분류기의 성능과 특성을 기존 논문에서 이미 제안된 패턴 분류기의 성능과 비교, 평가 한다. 연구되어진 기존 패턴 분류기와 비교하기 위하여, 전체 데이터를 10 fold cross validation 방법에 따라 학습 데이터와 테스트 데이터로 나누어 실험 한다.
표 3은 10 Fold Cross Validation에 의한 데이터 분할후 실험 결과를 분석, 비교한 결과이다. 패턴 분류 성능을 위하여 패턴 분류기의 오분류율을 평가 지수로 선택 하였다.

대상 데이터

본 논문에서 제안한 패턴 분류기의 성능을 평가하기 위하여 여러 개의 머신러닝 데이터들을 사용한다. 기계 학습데이터 집합은 대표적인 Benchmark 데이터 집합인 UCI machine learning repository로부터 얻은 데이터 집합들이다.
본 논문에서 제안한 패턴 분류기의 성능을 평가하기 위하여 여러 개의 머신러닝 데이터들을 사용한다. 기계 학습데이터 집합은 대표적인 Benchmark 데이터 집합인 UCI machine learning repository로부터 얻은 데이터 집합들이다.

데이터처리

Benchmark 데이터 집합을 이용하여 제안된 패턴 분류기의 성능과 특성을 기존 논문에서 이미 제안된 패턴 분류기의 성능과 비교, 평가 한다. 연구되어진 기존 패턴 분류기와 비교하기 위하여, 전체 데이터를 10 fold cross validation 방법에 따라 학습 데이터와 테스트 데이터로 나누어 실험 한다.
제안된 패턴 분류를 위한 Feature Selection 기법의 성능을 평가하기 위하여 다양한 형태의 머신 러닝 데이터 집합들을 이용하여 패턴 분류 성능을 비교한다.

이론/모형

Feature가 결정된 데이터들을 패턴 분류하기 위하여 Linear Discriminant Analysis를 이용한다.
본 논문에서 각각의 Feature 공간에서 퍼지 수를 정의하기 위하여 Bezdek의 퍼지 클러스터링 기법을 이용한다. 각 퍼지 수의 중심은 Fuzzy C-Means Clustering 기법을 이용하여 얻어진 클러스터의 중심 값을 사용한다. 결정된 퍼지 수의 중심값을 이용하여 삼각형 형태의 퍼지 수의 멤버십 함수를 정의한다.
본 논문에서 각각의 Feature 공간에서 퍼지 수를 정의하기 위하여 Bezdek의 퍼지 클러스터링 기법을 이용한다. 각 퍼지 수의 중심은 Fuzzy C-Means Clustering 기법을 이용하여 얻어진 클러스터의 중심 값을 사용한다.
식(1)을 통해 평가된 Feature들은 미리 정해진 수만큼의 우수한 Feature들 만을 이용하여 새로운 입력을 구성하고, 이를 Linear Discriminant Analysis를 이용하여 패턴 분류에 이용한다.
본 논문에서 제안된 Feature Selection 기법은 전체 입력 변수들을 하나씩 1차원 공간에서 식(1)을 이용하여 패턴 분류기의 패턴 분류 성능을 개선시킬 수 있는 Feature인지 평가하는 방법이다. 이를 위해 각각의 1차원 입력변수 공간에서 퍼지 수를 정의해야 하는데 이를 위해 퍼지 클러스터링 알고리즘을 사용한다.
본 논문에서는 퍼지수를 이용한 Feature Selection 방법을 제안하였다. 제안된 Feature Selection 기법에 의해 선택된 입력 변수들을 Linear Discriminant Analysis의 입력으로 사용하여 패턴 분류를 수행하였다.

성능/효과

제안된 Feature Selection 알고리즘을 이용한 퍼지 패턴 분류 성능은 전체 입력 변수들을 모두 사용한 경우와 비슷한 성능을 보였다. Feature Selection을 통해 Feature의 차원을 감소시킴으로써 계산 량을 감소시키는데 효과를 얻어다 할 수 있다.

질의응답

핵심어	질문	논문에서 추출한 답변
	선형 판별식은 무엇인가?	선형 판별식 (Linear Discriminant Analysis; LDA)은고차원의 데이터 포인트들을 1차원을 가진 임의의 선에 투영하는 방법이다.
	FCM 클러스터링은 무엇인가?	FCM 클러스터링은 n 개의 벡터 xi(i = 1,..,n) 집합을 c 개의 클러스터로 분할하고, 목적함수가 최소가 일 때 생성된 각 클러스터에서 중심 값을 찾는다. FCM 클러스터링의 목적함수는 식(3)과 같다.
	본 논문에서 제안한 퍼지수를 이용한 Feature Selection 방법은 어떻게 패턴 분류 성능 개선 가능성을 평가하는가?	본 논문에서는 다차원 문제로 인하여 발생하는 패턴 분류 성능의 저하를 방지 하여 퍼지 패턴 분류기의 성능을 개선하기 위하여 다수의 Feature들 중에서 패턴 분류 성능 향상에 기여하는 Feature를 선택하기 위한 새로운 Feature Selection 방법을 제안 한다. 새로운 Feature Selection 방법은 각각의 Feature 들을 퍼지 클러스터링 기법을 이용하여 클러스터링 한 후 각 클러스터가 임의의 class에 속하는 정도를 계산하고 얻어진 값을 이용하여 해당 feature 가 fuzzy pattern classifier에 적용될 경우 패턴 분류 성능 개선 가능성을 평가한다. 평가된 성능 개선 가능성을 기반으로 이미 정해진 개수만큼의 Feature를 선택하는 Feature Selection을 수행한다.

참고문헌 (9)

Y. J. Lin, J. J. Li, P. R. Lin, G. P. Lin, and J. K. Chen, "Feature Selection via Neighborhood Multi-Granulation Fusion," Knowledge Based Systems, Vol. 67, pp. 162-168, 2014.

상세보기
Q. Hu, J. Liu, and D. Yu, "Mixed feature selection based on granulation and approximation," Knowledge Based Systems, Vol. 21, pp. 294-304, 2008.

상세보기
Q. Hu, W. Pan, L. Zhang, D. Zhang, Y. Song, and D. Yu, "Feature selection for monotonic classification," IEEE Trans. Fuzzy Systems, Vol. 20, pp. 69-81, 2012.

상세보기
Y. Zhang, D. W. Gong, Y. Hu, and W. Q. Zhang, "Feature Selection algorithm based on bare bones Particle Swarm Optimization," Neurocomputing, Vol. 148, pp. 150-157, 2015.

상세보기
G. Pajares, M. Guijarro, A. Ribeiro, "A Hopfield Neural Network for combining classifiers applied to textured images," Neural Networks, Vol.23, pp. 144-153, 2010.

상세보기
J. C. Bezdek, "Pattern Recognition With Fuzzy Objective Function Algorithms", New York: Plenum, 1981.
A. Bargiela, W. Pedrycz, "Granular Computing: An Introduction," Kluwer Academic Publishers, Dordrecht, 2003.
W. Pedrycz, "Conditional Fuzzy C-Means," Pattern Recognition Letters, vol. 17, no. 15, pp 625-631, 1996.

상세보기
Tae-chon Ahn, Seok-Beom Roh, Yong Soo Kim, "A Design of Fuzzy Classifier with Hierarchical Structure," Journal of Korean Institute of Intelligent Systems, vol. 24, no. 4, pp 355-359, 2014.

원문보기 상세보기

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증

퍼지 매핑을 이용한 퍼지 패턴 분류기의 Feature Selection
Feature Selection of Fuzzy Pattern Classifier by using Fuzzy Mapping 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

퍼지 매핑을 이용한 퍼지 패턴 분류기의 Feature Selection Feature Selection of Fuzzy Pattern Classifier by using Fuzzy Mapping 원문보기

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

Abstract ▼ AI-Helper

주제어

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

질의응답

참고문헌 (9)

이 논문을 인용한 문헌

저자의 다른 논문 :

노석범 (16) 김용수 (29) 안태천 (29)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

퍼지 매핑을 이용한 퍼지 패턴 분류기의 Feature Selection
Feature Selection of Fuzzy Pattern Classifier by using Fuzzy Mapping 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper