최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기한국정보전자통신기술학회논문지 = Journal of Korea institute of information, electronics, and communication technology, v.10 no.6, 2017년, pp.594 - 600
노석범 (Department of Electrical & Electronic Eng. Joongbu University) , 이동윤 (Department of Electrical & Electronic Eng. Joongbu University)
The new design methodology of prediction model and pattern classification, which is based on the dimension reduction algorithm called principal component analysis, is introduced in this paper. Principal component analysis is one of dimension reduction techniques which are used to reduce the dimensio...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
데이터의 차원이 매우 큰 경우 생기는 단점은 무엇인가? | 특히 획득된 데이터에 기반을 두고 미래를 예측하는 예측모델 [1]과 데이터들을 분류 하는 패턴 분류기 [2, 3, 4]에 대한 요구가 늘어나고 있다. 비정형 데이터의 경우, 데이터의 차원이 매우 큰 경우가 대부분이며, 데이터의 차원이 매우 큰 경우, 이를 이용하여 설계되고 구축된 예측 모델 및 패턴 분류기의 성능이 우수하지 않은 단점을 가지고 있다[5]. 본 논문에서는 이와 같은 차원이 큰 데이터를 처리하기 위하여, 차원 축소 알고리즘인 주성분 분석법을 이용하여 데이터의 차원을 축소한다. | |
회귀다항식의 계수를 측정하기 위해 무엇을 적용했는가? | 이러한 모델을 설계하기 위하여, 주어진 데이터를 기반으로 다항식 회귀분석을 하고 회귀다항식의 계수를 추정한다. 다항 식의 계수를 추정하기 위한 알고리즘으로 일반적으로 사용되는 최소 자승법 (least square estimation)을 적용한다. 표 1은 본 논문에서 사용되는 다항식의 형태를 나타낸다. | |
주성분 분석법이란 무엇인가? | 고차원 데이터 패턴들을 분석하여 저차원의 데이터로 만들고 우수한 특징벡터들을 추출하기 위하여 주성분 분석을 사용한다. 주성분 분석법은 머신러닝, 패턴 인식 등 다양한 분야에서 대표적으로 쓰이는 특징 추출 알고리즘이다[6, 7]. 고차원의 데이터를 저차원으로 축소할 경우, 주성분 분석법을 사용하면 기존의 데이터가 가지고 있는 정보들의 손실을 최소로 하는 주성분으로 축소한다. |
I.-H. Lee, T.-S. Choi, "Shape from focus algorithm with optimization of focus measure for cell image," The Korea Institute of Information & Electronic Communication Technology, Vol. 3, pp. 8-13, 2010.
G. B. Hwang, Q. U. Zhu, C. K. Siew, "Extreme learning machine: theory and applications," Neurocomputing, vol. 70, pp. 489-501, 2006.
I. T. Jolliffe, "Principal Component Analysis", second edition, Springer-Verlog, 2002.
M. Imaizumi, and K. Kato, "PCA-based estimation for functional linear regression with functional responses," Journal of multivariate analysis, vol. 163, pp. 15-36, 2018.
M. Lichman, "UCI Machine Learning Repository", 2013, http://archive.ics.uci.edu/ml.
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문
※ AI-Helper는 부적절한 답변을 할 수 있습니다.