다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기
응용통계연구 = The Korean journal of applied statistics, v.30 no.5, 2017년, pp.793 - 808
이경은 (고려대학교 통계학과) , 김경희 (성신여자대학교 통계학과) , 신승준 (고려대학교 통계학과)
AI-Helper
We compare various variable screening methods on multiclass classification problems when the data is ultrahigh-dimensional. Two different approaches were considered: (1) pairwise extension from binary classification via one versus one or one versus rest comparisons and (2) direct classification of m...
| 핵심어 | 질문 | 논문에서 추출한 답변 |
|---|---|---|
| 다항분류를 위한 변수선별 방법에는 어떤 것이 있는가? | 본 논문에서는 초고차원 자료의 다항분류를 위한 변수선별 방법에 대해 비교 연구를 진행하였다. 다항분류를 위한 변수선별 방법에는 일대일 혹은 일대다 비교를 통해 이항분류를 위한 방법을 확장시켜 적용하는 방법과 다항 반응 변수에 직접 적용할 수 있는 방법이 있다. 다항분류를 위한 변수선별 성능을 확인하기 위하여 여러가지 상황-설명변수의 꼬리가 두꺼운 경우, 신호변수와 잡음변수가 서로 연관된 경우, 결합분포상으로 연관되어 있지만 주변분포 상으로는 연관되어 있지 않은 경우, 다범주 반응변수의 분포가 불균형인 경우-을 가정하고 모의실험을 진행하였고, 실제 자료에도 적용해 보았다. | |
| 초고자원 자료의 다범주분류를 위한 변수선별에 있어 비교 연구를 수행한 결과는? | 보다 다각적인 관점에서 보기 위해 실제 자료에서 흔히 예상되는 상황들을 모의실험을 통해 재연해 살펴보았고, 실제 자료에도 적용해보았다. 그 결과, 전반적으로 모형 가정으로부터 자유로운 방법들인 콜모고르프 여과기, 거리상관선별, 그리고 MV가 다른 방법들에 비해 잘 작동하는 것을 확인할 수 있었다. 신호변수와 잡음변수가 서로 연관되거나 Y 와 X가 실제로는 서로 연관이 있지만 주변 분포상으로는 연관이없게 나타나는 경우에서는 선별 방법들이 모두 어려움을 겪었지만, 반복적 변수선별을 적용한 후에는 적절하게 선별이 이루어졌다. 변수선별 방법을 적용할 때는 대부분의 경우에서 모형무관 방법을 1번만 적용하여도 충분하지만, 보수적으로 접근할 때는 반복적 변수선별을 적용함으로써 더 좋은 결과를 얻을 수있을 것으로 예상할 수 있다. Y 분류 범주가 불균형일 때는 조금 다른 양상을 확인하였는데, 다범주분류 방법이 이항분류 방법에 비해 월등히 좋은 성능을 보였다. 따라서 실제 자료에 변수선별을 적용할 때는 Y 가 불균형인지 먼저 확인한 후 모형무관 선별 방법 중 어떤 선별 방법을 적용할 지 결정할 수 있다. | |
| 초고차원 자료의 단점은? | 최근 생물 정보학에서 널리 쓰이는 Next Generation Sequencing (NGS) (Metzker, 2010) 자료가 대표적인 초고차원 자료이다. 초고차원 자료는 신호 대비 잡음의 비중이 압도적으로 크기 때문에, 고차원 자료에서 널리 쓰이는 벌점화 모형을 바로 적용할 경우 그 성능이 안정적이지 못하고 최적화를 위한 계산도 매우 어렵거나 종종 불가능하다(Fan과 Lv, 2008). |
Fan, J. and Fan, Y. (2008). High dimensional classification using features annealed independence rules, The Annals of Statistics, 36, 2605.
Fan, J., Feng, Y., and Song, R. (2011). Nonparametric independence screening in sparse ultra-high-dimensional additive models, Journal of the American Statistical Association, 106, 544-557.
Fan, J. and Lv, J. (2008). Sure independence screening for ultrahigh dimensional feature space, Journal of the Royal Statistical Society: Series B (Statistical Methodology), 70, 849-911.
Fan, J., Samworth, R., and Wu, Y. (2009). Ultrahigh dimensional feature selection: beyond the linear model, The Journal of Machine Learning Research, 10, 2013-2038.
Fan, J. and Song, R. (2010). Sure independence screening in generalized linear models with NP-dimensionality, The Annals of Statistics, 38, 3567-3604.
Gui, J. and Li, H. (2005), Penalized Cox regression analysis in the high-dimensional and low-sample size settings, with applications to microarray gene expression data, Bioinformatics, 21, 3001-3008.
He, X., Wang, L., and Hong, H. G. (2013). Quantile-adaptive model-free variable screening for high-dimensional heterogeneous data, The Annals of Statistics, 41, 342-369.
Kimeldorf, G. and Wahba, G. (1971). Some Results on Tchebycheffian Spline Functions, Journal of Mathematical Analysis and Applications, 33, 82-95.
Li, R., Zhong, W., and Zhu, L. (2012). Feature screening via distance correlation learning, Journal of the American Statistical Association, 107, 1129-1139.
Ma, S. and Huang, J. (2008). Penalized feature selection and classification in Bioinformatics, Briefings in Bioinformatics, 9, 392-403.
Mai, Q. and Zou, H. (2012). The Kolmogorov filter for variable screening in high-dimensional binary classification, Biometrika, 100, 229-234.
Mai, Q. and Zou, H. (2015). The fused Kolmogorov filter: a nonparametric model-free screening method, The Annals of Statistics, 43, 1471-1497.
Metzker, M. L. (2010). Sequencing technologies-the next generation, Nature Reviews Genetics, 11, 31-46.
Wu, T. T., Chen, Y. F., Hastie, T., Sobel, E., and Lange, K. (2009). Genome-wide association analysis by lasso penalized logistic regression, Bioinformatics, 25, 714-721.
Zhang, H. H., Ahn, J., Lin, X., and Park, C. (2006). Gene selection using support vector machines with non-convex penalty, Bioinformatics, 22, 88-95.
Zhu, L. P., Li, L., Li, R., and Zhu, L. X. (2011). Model-free feature screening for ultrahigh-dimensional data, Journal of the American Statistical Association, 106, 1464-1475,
*원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다.
오픈액세스 학술지에 출판된 논문
Copyright KISTI. All Rights Reserved.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.