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 앙상블 모형의 성능 개선을 위한 새로운 방법을 제안하였으며, 제안한 모형을 재무 부실화 문제에 적용해 보았다. 모형의 검증을 위해 사용한 데이터는 자산규모가 10억에서 70억 사이이고 업종은 중공업인 국내 비외감 기업의 데이터로 구성되어 있다.
- 2단계에서는 모집단을 구성하고 있는 다수의 염색체가 발생하며, 이들 염색체는 각각 앙상블 모형을 구성하게 될 각각의 기저 분류기를 학습시키기 위한 서로 다른 학습 데이터 집합을 의미한다. 본 논문에서는 이들 염색체를 평가하기 위한 적합도 함수로 TB 데이터에서의 앙상블 모형의 분류 정확도를 사용한다.
- 본 논문에서는 이와 같이 부트스트랩 샘플링으로 인해 배깅의 성과 편차가 생길 수 있다는 점에 착안하여 배깅 앙상블의 성과를 최고로 하는 부트스트랩 샘플링 방식을 찾기 위한 방법을 제안하였다. 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법 중의 하나인 유전자 알고리즘(Genetic Algorithms)을 적용하였다.
- 본 연구는 재무 부실화 예측을 위한 배깅 앙상블 분류기의 성능 개선에 관한 연구이다. 본 논문에서는 전통적인 배깅의 성능 개선을 위해 배깅 기법의 진행 과정 중 부트스트랩 샘플링 과정을 본 논문에서 제안한 방법으로 수정한 새로운 형태의 앙상블 모형을 제안한다. 제안한 방법은 기존의 부트스트랩 샘플링 과정을 최적화 하는 효과를 가져올 것으로 기대되며, 이를 통해 전체 앙상블 모형의 성과가 개선될 것으로 기대된다.
- 본 연구는 재무 부실화 예측을 위한 배깅 앙상블 분류기의 성능 개선에 관한 연구이다. 본 논문에서는 전통적인 배깅의 성능 개선을 위해 배깅 기법의 진행 과정 중 부트스트랩 샘플링 과정을 본 논문에서 제안한 방법으로 수정한 새로운 형태의 앙상블 모형을 제안한다.
- 앞에서 살펴본 바와 같이 앙상블 모형의 성과에 영향을 주는 요인으로는 앙상블을 구성하고 있는 기저 분류기의 평균 예측률과 다양성 지수가 있다. 본 연구에서는 제안한 모형의 성과 개선에 대한 심층적인 분석을 위해 앙상블 모형의 예측 정확도뿐만 아니라 기저 분류기의 평균 예측률과 다양성 지수도 함께 살펴 보았다. 기저 분류기들 사이의 다양성을 측정하기 위한 다양한 척도들이 개발 되었지만 본 연구에서는 가장 대표적인 다양성 척도 중의 하나인 Q-통계량을 살펴보았다.
제안 방법
- SVM의 경우 커널 함수가 liner인 경우(SVM(L))와 RBF인 경우(SVM(R)) 각각에 대해 실험을 수행하였다.
- 본 연구에서는 제안한 모형의 성과 개선에 대한 심층적인 분석을 위해 앙상블 모형의 예측 정확도뿐만 아니라 기저 분류기의 평균 예측률과 다양성 지수도 함께 살펴 보았다. 기저 분류기들 사이의 다양성을 측정하기 위한 다양한 척도들이 개발 되었지만 본 연구에서는 가장 대표적인 다양성 척도 중의 하나인 Q-통계량을 살펴보았다.
- 데이터는 학습용 데이터와(T) 검증용 데이터(V)로 분할하여 실험을 수행하였다. 학습용 데이터는 다시 모형 구축을 위한 데이터(TA)와 유전자 알고리즘에서 적합도 함수 계산을 위해 사용한 데이터(TB)로 분류하였다.
- Kim and Kim[9]은 가장 대표적인 앙상블 기법 중의 하나인 배깅 모형을 SOHO의 부도 예측 문제에 적용해 보았다. 또한, 기존의 배깅 모형의 성과 개선을 위해 기저 분류기 중에 예측 성과가 좋은 일부를 선택하여 앙상블을 구성하는 선택적 배깅 모형을 제안하여 의사결정 트리의 일종인 CART를 기저 분류기로 하여 실험을 수행하였다. Tsai and Wu[10] 는 인공 신경망을 기저 분류기로 하는 다양한 형태의 앙상블 모형을 재무 부실화 문제에 적용해 보았다.
- }가 생성된다. 또한, 이들 서로 다른 분류기들 각각에 대해 유전자 알고리즘을 위해 준비한 데이터인 TB 데이터 셋에서의 예측률을 구한다. 이를 통해 서로 다른 예측 결과값 {O1, …, On}이 생성되며 이들을 특정한 결합 방식에 의해 결합하여 앙상블 분류기의 예측 결과값을 계산한다.
- 이들은 다양한 파라미터에서 가장 좋은 결과를 보인 다수의 인공 신경망 분류기를 다수결 투표 방식에 의해 결합하는 앙상블 모형을 단일 모형 중에 가장 좋은 결과를 보인 모형과 비교해 보았다. 또한, 파라미터의 다양화뿐만 아니라 학습 데이터도 다양화하여 개별 분류기를 학습시킨 앙상블 모형도 이들과 같이 비교하였다. 여러 모형들을 다양한 재무 부실화 관련 데이터를 이용해 분석한 결과 앙상블 모형이 항상 단일 최고 모형보다 좋은 결과를 보이지는 않았다.
- 본 연구에서 제안한 모형의 검증을 위해 검증용 데이터에서의 예측 정확도뿐만 아니라 앙상블 모형의 성과에 영향을 주는 요인도 함께 분석하였다. 앞에서 살펴본 바와 같이 앙상블 모형의 성과에 영향을 주는 요인으로는 앙상블을 구성하고 있는 기저 분류기의 평균 예측률과 다양성 지수가 있다.
- 생성된 분류기를 검증용 데이터에 적용하여 각 모형의 예측 정확도를 측정한다. → {#}
- 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법인 유전자 알고리즘을 적용한다[22]. 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과 측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용한다. 본 논문에서 제안한 방법을 이용하면 앙상블 모형의 성과를 최적으로 하는 부트스트랩 샘플을 선택할 수 있을 것으로 기대되며 이를 통해 배깅 앙상블 모형의 최적화를 이룰 수 있을 것으로 기대된다.
- 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법 중의 하나인 유전자 알고리즘(Genetic Algorithms)을 적용하였다. 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용하였다. 본 논문에서 제안한 방법을 이용하면 앙상블 모형의 성과를 최적으로 하는 부트스트랩 샘플을 선택할 수 있을 것으로 기대되며 이를 통해 앙상블 모형의 성과 개선을 이룰 수 있을 것으로 기대된다.
- 이 데이터는 수익성, 안정성, 성장성, 활동성 및 현금 흐름으로 분류된 총 131개의 재무비율로 구성되어 있으며, 이 중에서 최종 입력 변수로는 (표 1)에 나와 있는 7개의 변수를 사용하였다. 최종 입력 변수는 단일 표본 t검정(independent-samples t-test)과 전진 선택법(forward selection)을 이용한 로지스틱 회귀분석과 선행 연구결과 등을 종합적으로 고려하여 선정하였다. (표 1)은 최종 선정된 변수에 대한 설명과 기술통계량을 보여주고 있다.
- 학습용 데이터는 다시 모형 구축을 위한 데이터(TA)와 유전자 알고리즘에서 적합도 함수 계산을 위해 사용한 데이터(TB)로 분류하였다.
대상 데이터
- 모형의 검증을 위해 사용한 데이터는 자산규모가 10억에서 70억 사이이고 업종은 중공업인 국내 비외감 기업의 데이터로 구성되어 있다. 데이터는 총 848개로 구성되어 있으며 부도 기업과 비부도 기업이 각각 424개로 구성되어 있다. 이 데이터는 수익성, 안정성, 성장성, 활동성 및 현금 흐름으로 분류된 총 131개의 재무비율로 구성되어 있으며, 이 중에서 최종 입력 변수로는 (표 1)에 나와 있는 7개의 변수를 사용하였다.
- 본 논문에서는 앙상블 모형의 성능 개선을 위한 새로운 방법을 제안하였으며, 제안한 모형을 재무 부실화 문제에 적용해 보았다. 모형의 검증을 위해 사용한 데이터는 자산규모가 10억에서 70억 사이이고 업종은 중공업인 국내 비외감 기업의 데이터로 구성되어 있다. 데이터는 총 848개로 구성되어 있으며 부도 기업과 비부도 기업이 각각 424개로 구성되어 있다.
- 본 논문에서 제안한 모형의 우수성을 검증하기 위해 국내 부도 예측 관련 데이터를 가지고 실험을 수행하였다. 실험 결과 제안한 방법이 기저 분류기들의 평균 예측률과 다양성 지수 값을 개선시키는 효과가 있었으며 이를 통해 제안한 앙상블 모형의 예측 성능 또한 일반 배깅 앙상블 모형보다 향상되었다는 것을 알 수 있었다.
- 본 논문에서 제안한 방법의 효과성을 검증하기 위해 다양한 분류기를 대상으로 실험을 수행하였으며 실험 결과는 (표 3), (표 4), (표 5)와 같다.
- 데이터는 총 848개로 구성되어 있으며 부도 기업과 비부도 기업이 각각 424개로 구성되어 있다. 이 데이터는 수익성, 안정성, 성장성, 활동성 및 현금 흐름으로 분류된 총 131개의 재무비율로 구성되어 있으며, 이 중에서 최종 입력 변수로는 (표 1)에 나와 있는 7개의 변수를 사용하였다. 최종 입력 변수는 단일 표본 t검정(independent-samples t-test)과 전진 선택법(forward selection)을 이용한 로지스틱 회귀분석과 선행 연구결과 등을 종합적으로 고려하여 선정하였다.
데이터처리
- 검증용 데이터는 모형의 최종 검증을 위해 사용되었으며, 5장의 실험 결과는 검증용 데이터에서의 결과값을 의미한다. 본 연구에서는 10-겹 검증(10-fold cross validation) 방법으로 실험을 하였으며, 앙상블 모형의 경우 10회 반복하여 실험을 수행하였으며, 10회 실험 결과의 평균값을 대푯값으로 사용하였다.
- 제안한 모형의 성과 개선에 대한 통계적 유의성을 검토하기 위해 각 기저 분류기별로 Wilcoxon 부호 순위 검정을 하였으며 그 결과는 (표 6)과 같다. 표에서 ** 표시는 1% 수준에서 유의한 차이가 있다는 것을 의미하고, * 표시는 5% 수준에서 유의한 차이가 있다는 것을 의미한다.
이론/모형
- 본 논문에서 사용한 기저 분류기로는 의사결정 트리(DT: Decision Tree), k-근접이웃(KNN: k-nearest neighbor), 선형판별분석(LDA: Linear Discriminant Analysis), 로지스틱 회귀 모형(Logit)과 Support Vector Machines(SVM)이다.
- 이를 통해 서로 다른 예측 결과값 {O1, …, On}이 생성되며 이들을 특정한 결합 방식에 의해 결합하여 앙상블 분류기의 예측 결과값을 계산한다. 본 논문에서는 가장 대표적인 결합 방식인 다수결 투표 결합 방식을 이용한다. 이와 같은 방식으로 나온 앙상블 모형의 예측 결과값은 해당되는 염색체에 대한 적합도 값이 되며, 이는 다음 세대로 진화할 때 중요한 정보로 활용된다.
- 본 논문에서는 이와 같이 부트스트랩 샘플링으로 인해 배깅의 성과 편차가 생길 수 있다는 점에 착안하여 배깅 앙상블의 성과를 최고로 하는 부트스트랩 샘플링 방식을 찾기 위한 방법을 제안하였다. 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법 중의 하나인 유전자 알고리즘(Genetic Algorithms)을 적용하였다. 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용하였다.
- 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법인 유전자 알고리즘을 적용하였다. 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용하였다.
- 본 논문에서는 이와 같이 부트스트랩 샘플링으로 인해 배깅의 성과 편차가 생길 수 있다는 점에 착안하여 배깅 앙상블의 성과를 최고로 하는 부트스트랩 샘플링 방식을 찾기 위한 방법을 제안하였다. 본 논문에서는 성과를 최고로 하는 부트스트랩 샘플링을 위해 최적화 탐색 알고리즘으로 가장 대표적인 방법인 유전자 알고리즘을 적용한다[22]. 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과 측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용한다.
성능/효과
- (표 3)에서 보는 바와 같이 전체적으로는 단일 분류 모형의 경우 RBF 커널 함수를 사용하는 SVM 모형인 SVM(R)이 가장 좋은 성과를 냈으며, 배깅 앙상블 모형과 제안한 모형의 경우 모두 DT를 기저 분류기로 할 경우가 가장 좋은 성과를 냈다. 배깅 앙상블 모형의 경우 기저 분류기가 DT, SVM(R), KNN, Logit인 경우 단일 모형 보다 성과 개선이 있었지만, LDA나 SVM(L)의 경우 오히려 기저 분류기보다 성과가 안 좋게 나왔다.
- 제안한 모형의 경우 기저 분류기와 관계없이 단일 모형보다 좋은 성과를 보였으며, 표준 배깅 모형보다도 좋은 성과를 보였다. (표 4)와 (표 5)를 살펴보면 제안한 방법을 이용하여 기저 분류기를 구성할 경우 이들 기저 분류기들의 평균 예측률과 Q-통계량 값이 일반 배깅 모형보다 개선되는 것을 볼 수 있다. 이를 통해 이들 기저 분류기를 결합한 새로운 형태의 앙상블 모형의 성과가 기존의 배깅 앙상블 모형보다 좋았다는 것을 알 수 있다.
- Min [16]은 원 데이터에서 불필요한 데이터, 관련 없는 데이터를 제거하는 사례 선택 기법을 활용하여 배깅의 성능을 개선하는 새로운 형태의 모형을 제안했으며, 국내 기업의 부도 예측 관련 문제에 적용해 보았다. SVM을 기저 분류기로 하여 다양한 실험을 수행하였으며 제안한 방법이 기존의 배깅 모형의 성과 개선에 효과적이었음을 보였다. Kim et al.
- 하지만, Logit, SVM(L), SVM(R)을 기저 분류기로 사용할 경우에는 제안한 모형의 성과가 표준 배깅 보다 좋게 나왔지만 이 차이가 통계적으로 유의하지는 않았다. 그러나, 전반적으로 본 논문에서 제안한 모형이 기존 모형의 성과 개선에 큰 기여를 했다고 볼 수 있다.
- 배깅 앙상블 모형의 경우 기저 분류기가 DT, SVM(R), KNN, Logit인 경우 단일 모형 보다 성과 개선이 있었지만, LDA나 SVM(L)의 경우 오히려 기저 분류기보다 성과가 안 좋게 나왔다. 기저 분류기에 비해 가장 큰 성과 개선이 있었던 DT의 경우는 평균 Q-통계량의 값이 가장 작은 값을 보였으며, 이것이 앙상블 모형의 성과 개선과 관련이 있는 것으로 생각해 볼 수 있을 것이다.
- 표준 배깅과 단일 모형을 비교할 때 기저 분류기가 DT일 경우만이 통계적으로 유의한 차이가 있는 것으로 나왔다. 반면에, 본 논문에서 제안한 모형의 경우 기저 분류기가 SVM(L)일 때를 제외하고 모든 경우에 있어서 단일 모형 보다 유의한 차이가 있는 것으로 나왔다. 이를 통해 제안한 모형이 표준 배깅 보다 단일 모형의 성과 개선에 보다 더 효과적이었다는 것을 알 수 있다.
- (표 3)에서 보는 바와 같이 전체적으로는 단일 분류 모형의 경우 RBF 커널 함수를 사용하는 SVM 모형인 SVM(R)이 가장 좋은 성과를 냈으며, 배깅 앙상블 모형과 제안한 모형의 경우 모두 DT를 기저 분류기로 할 경우가 가장 좋은 성과를 냈다. 배깅 앙상블 모형의 경우 기저 분류기가 DT, SVM(R), KNN, Logit인 경우 단일 모형 보다 성과 개선이 있었지만, LDA나 SVM(L)의 경우 오히려 기저 분류기보다 성과가 안 좋게 나왔다. 기저 분류기에 비해 가장 큰 성과 개선이 있었던 DT의 경우는 평균 Q-통계량의 값이 가장 작은 값을 보였으며, 이것이 앙상블 모형의 성과 개선과 관련이 있는 것으로 생각해 볼 수 있을 것이다.
- [12]는 이진 로짓 모형을 기저 분류기로 하는 랜덤 서브스페이스 앙상블 모형을 중국 기업의 부도 예측 관련 데이터에 적용해 판별 분석, 로지스틱 회귀 분석, 프로빗 모형 등과 같은 전통적인 통계 모형과 비교해 보았다. 실험 결과 랜덤 서브 스페이스 앙상블 모형이 전통적인 단일 모형보다 좋은 성과를 보였다. Min [13]은 SVM을 기저 분류기로 하는 배깅과 랜덤서브스페이스의 통합 모형을 국내 부도 예측 문제에 적용해 보았으며, 통합 앙상블 모형이 단일 앙상블 모형 보다 좋은 성과를 보임을 알 수 있었다.
- 본 논문에서 제안한 모형의 우수성을 검증하기 위해 국내 부도 예측 관련 데이터를 가지고 실험을 수행하였다. 실험 결과 제안한 방법이 기저 분류기들의 평균 예측률과 다양성 지수 값을 개선시키는 효과가 있었으며 이를 통해 제안한 앙상블 모형의 예측 성능 또한 일반 배깅 앙상블 모형보다 향상되었다는 것을 알 수 있었다.
- Kim [11]은 의사결정 트리, 인공 신경망 모형, SVM(Support Vector Machines) 모형을 기저 분류기로 하는 배깅과 부스팅 앙상블 모형을 기업의 부도 예측 문제에 적용해 보았다. 실험결과 의사결정 트리와 인공 신경망 모형을 기저 분류기로 사용할 경우에는 앙상블 모형이 단일 모형보다 통계적으로 유의한 성과 개선이 있었지만, SVM을 기저 분류기로 사용할 경우에는 앙상블 학습을 통한 유의적인 성과 개선이 나타나지 않았다. Li et al.
- 또한, 파라미터의 다양화뿐만 아니라 학습 데이터도 다양화하여 개별 분류기를 학습시킨 앙상블 모형도 이들과 같이 비교하였다. 여러 모형들을 다양한 재무 부실화 관련 데이터를 이용해 분석한 결과 앙상블 모형이 항상 단일 최고 모형보다 좋은 결과를 보이지는 않았다. Kim [11]은 의사결정 트리, 인공 신경망 모형, SVM(Support Vector Machines) 모형을 기저 분류기로 하는 배깅과 부스팅 앙상블 모형을 기업의 부도 예측 문제에 적용해 보았다.
- (표 4)와 (표 5)를 살펴보면 제안한 방법을 이용하여 기저 분류기를 구성할 경우 이들 기저 분류기들의 평균 예측률과 Q-통계량 값이 일반 배깅 모형보다 개선되는 것을 볼 수 있다. 이를 통해 이들 기저 분류기를 결합한 새로운 형태의 앙상블 모형의 성과가 기존의 배깅 앙상블 모형보다 좋았다는 것을 알 수 있다.
- 반면에, 본 논문에서 제안한 모형의 경우 기저 분류기가 SVM(L)일 때를 제외하고 모든 경우에 있어서 단일 모형 보다 유의한 차이가 있는 것으로 나왔다. 이를 통해 제안한 모형이 표준 배깅 보다 단일 모형의 성과 개선에 보다 더 효과적이었다는 것을 알 수 있다. 표준 배깅과 제안한 모형을 비교했을 경우 기저 분류기가 DT, KNN, LDA 인 경우에 유의한 차이가 있는 것으로 나왔다.
- Choi and Lim[15]은 커널 함수 다양화를 통해 서로 다른 형태의 SVM 분류기들을 생성하여 앙상블 모형을 구성하였다. 제안한 모형은 부도 예측 문제에서 단일 모형보다 높은 예측 성과를 보였다. Min [16]은 원 데이터에서 불필요한 데이터, 관련 없는 데이터를 제거하는 사례 선택 기법을 활용하여 배깅의 성능을 개선하는 새로운 형태의 모형을 제안했으며, 국내 기업의 부도 예측 관련 문제에 적용해 보았다.
- 제안한 모형의 경우 기저 분류기와 관계없이 단일 모형보다 좋은 성과를 보였으며, 표준 배깅 모형보다도 좋은 성과를 보였다. (표 4)와 (표 5)를 살펴보면 제안한 방법을 이용하여 기저 분류기를 구성할 경우 이들 기저 분류기들의 평균 예측률과 Q-통계량 값이 일반 배깅 모형보다 개선되는 것을 볼 수 있다.
- 즉, 이론적으로 기저 분류기의 예측 정확도가 0.5보다 크고, 서로 독립적이라면 앙상블의 성과는 크게 개선될 수 있다는 것을 알 수 있다. 그러나, 완벽하게 독립적인 기저 분류기를 구성하는 것은 현실적으로 불가능하다.
- 표준 배깅과 단일 모형을 비교할 때 기저 분류기가 DT일 경우만이 통계적으로 유의한 차이가 있는 것으로 나왔다. 반면에, 본 논문에서 제안한 모형의 경우 기저 분류기가 SVM(L)일 때를 제외하고 모든 경우에 있어서 단일 모형 보다 유의한 차이가 있는 것으로 나왔다.
- 이를 통해 제안한 모형이 표준 배깅 보다 단일 모형의 성과 개선에 보다 더 효과적이었다는 것을 알 수 있다. 표준 배깅과 제안한 모형을 비교했을 경우 기저 분류기가 DT, KNN, LDA 인 경우에 유의한 차이가 있는 것으로 나왔다. 하지만, Logit, SVM(L), SVM(R)을 기저 분류기로 사용할 경우에는 제안한 모형의 성과가 표준 배깅 보다 좋게 나왔지만 이 차이가 통계적으로 유의하지는 않았다.
후속연구
- 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과 측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용한다. 본 논문에서 제안한 방법을 이용하면 앙상블 모형의 성과를 최적으로 하는 부트스트랩 샘플을 선택할 수 있을 것으로 기대되며 이를 통해 배깅 앙상블 모형의 최적화를 이룰 수 있을 것으로 기대된다. 본 논문에서 제안한 모형에 대한 자세한 설명은 다음과 같다.
- 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용하였다. 본 논문에서 제안한 방법을 이용하면 앙상블 모형의 성과를 최적으로 하는 부트스트랩 샘플을 선택할 수 있을 것으로 기대되며 이를 통해 앙상블 모형의 성과 개선을 이룰 수 있을 것으로 기대된다.
- 즉, 수없이 많은 부트스트랩 샘플 집합 중에서 앙상블 모형 성과측면에서 최적(또는 근사 최적)인 부트스트랩 샘플을 선택하는 문제로 변환하여 유전자 알고리즘을 적용하였다. 본 논문에서 제안한 방법을 이용하면 앙상블 모형의 성과를 최적으로 하는 부트스트랩 샘플을 선택할 수 있을 것으로 기대되며 이를 통해 앙상블 모형의 최적화를 이룰 수 있을 것으로 기대된다.
- 본 논문에서는 제안한 방법을 부도 예측 문제에 적용 하여 효과성을 검증하였지만, 제안한 모형은 다른 분류 문제에서도 적용될 수 있을 것으로 기대된다. 향후 이에 대한 추가적인 검증 및 연구가 필요할 것이다.
- 본 논문에서는 전통적인 배깅의 성능 개선을 위해 배깅 기법의 진행 과정 중 부트스트랩 샘플링 과정을 본 논문에서 제안한 방법으로 수정한 새로운 형태의 앙상블 모형을 제안한다. 제안한 방법은 기존의 부트스트랩 샘플링 과정을 최적화 하는 효과를 가져올 것으로 기대되며, 이를 통해 전체 앙상블 모형의 성과가 개선될 것으로 기대된다. (그림 1)은 데이터 다양화를 통한 앙상블 모형의 일반적인 흐름을 보여주고 있다.
- 본 논문에서는 제안한 방법을 부도 예측 문제에 적용 하여 효과성을 검증하였지만, 제안한 모형은 다른 분류 문제에서도 적용될 수 있을 것으로 기대된다. 향후 이에 대한 추가적인 검증 및 연구가 필요할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.