[논문]다중 클래스 데이터셋의 메타특징이 판별 알고리즘의 성능에 미치는 영향 연구

김정훈; 김민용; 권오병

doi:10.13088/jiis.2020.26.1.023

다중 클래스 데이터셋의 메타특징이 판별 알고리즘의 성능에 미치는 영향 연구
The Effect of Meta-Features of Multiclass Datasets on the Performance of Classification Algorithms 원문보기

지능정보연구 = Journal of intelligence and information systems, v.26 no.1, 2020년, pp.23 - 45

김정훈 (경희대학교 일반대학원 경영학과) , 김민용 (경희대학교 경영대학) , 권오병 (경희대학교 경영대학)

초록
AI-Helper

기업의 경쟁력 확보를 위해 판별 알고리즘을 활용한 의사결정 역량제고가 필요하다. 하지만 대부분 특정 문제영역에는 적합한 판별 알고리즘이 어떤 것인지에 대한 지식은 많지 않아 대부분 시행착오 형식으로 최적 알고리즘을 탐색한다. 즉, 데이터셋의 특성에 따라 어떠한 분류알고리즘을 채택하는 것이 적합한지를 판단하는 것은 전문성과 노력이 소요되는 과업이었다. 이는 메타특징(Meta-Feature)으로 불리는 데이터셋의 특성과 판별 알고리즘 성능과의 연관성에 대한 연구가 아직 충분히 이루어지지 않았기 때문이며, 더구나 다중 클래스(Multi-Class)의 특성을 반영하는 메타특징에 대한 연구 또한 거의 이루어진 바 없다. 이에 본 연구의 목적은 다중 클래스 데이터셋의 메타특징이 판별 알고리즘의 성능에 유의한 영향을 미치는지에 대한 실증 분석을 하는 것이다. 이를 위해 본 연구에서는 다중 클래스 데이터셋의 메타특징을 데이터셋의 구조와 데이터셋의 복잡도라는 두 요인으로 분류하고, 그 안에서 총 7가지 대표 메타특징을 선택하였다. 또한, 본 연구에서는 기존 연구에서 사용하던 IR(Imbalanced Ratio) 대신 시장집중도 측정 지표인 허핀달-허쉬만 지수(Herfindahl-Hirschman Index, HHI)를 메타특징에 포함하였으며, 역ReLU 실루엣 점수(Reverse ReLU Silhouette Score)도 새롭게 제안하였다. UCI Machine Learning Repository에서 제공하는 복수의 벤치마크 데이터셋으로 다양한 변환 데이터셋을 생성한 후에 대표적인 여러 판별 알고리즘에 적용하여 성능 비교 및 가설 검증을 수행하였다. 그 결과 대부분의 메타특징과 판별 성능 사이의 유의한 관련성이 확인되었으며, 일부 예외적인 부분에 대한 고찰을 하였다. 본 연구의 실험 결과는 향후 메타특징에 따른 분류알고리즘 추천 시스템에 활용할 것이다.

Abstract ▼ AI-Helper

Big data is creating in a wide variety of fields such as medical care, manufacturing, logistics, sales site, SNS, and the dataset characteristics are also diverse. In order to secure the competitiveness of companies, it is necessary to improve decision-making capacity using a classification algorithm. However, most of them do not have sufficient knowledge on what kind of classification algorithm is appropriate for a specific problem area. In other words, determining which classification algorithm is appropriate depending on the characteristics of the dataset was has been a task that required expertise and effort. This is because the relationship between the characteristics of datasets (called meta-features) and the performance of classification algorithms has not been fully understood. Moreover, there has been little research on meta-features reflecting the characteristics of multi-class. Therefore, the purpose of this study is to empirically analyze whether meta-features of multi-class datasets have a significant effect on the performance of classification algorithms. In this study, meta-features of multi-class datasets were identified into two factors, (the data structure and the data complexity,) and seven representative meta-features were selected. Among those, we included the Herfindahl-Hirschman Index (HHI), originally a market concentration measurement index, in the meta-features to replace IR(Imbalanced Ratio). Also, we developed a new index called Reverse ReLU Silhouette Score into the meta-feature set. Among the UCI Machine Learning Repository data, six representative datasets (Balance Scale, PageBlocks, Car Evaluation, User Knowledge-Modeling, Wine Quality(red), Contraceptive Method Choice) were selected. The class of each dataset was classified by using the classification algorithms (KNN, Logistic Regression, Nave Bayes, Random Forest, and SVM) selected in the study. For each dataset, we applied 10-fold cross validation method. 10% to 100% oversampling method is applied for each fold and meta-features of the dataset is measured. The meta-features selected are HHI, Number of Classes, Number of Features, Entropy, Reverse ReLU Silhouette Score, Nonlinearity of Linear Classifier, Hub Score. F1-score was selected as the dependent variable. As a result, the results of this study showed that the six meta-features including Reverse ReLU Silhouette Score and HHI proposed in this study have a significant effect on the classification performance. (1) The meta-features HHI proposed in this study was significant in the classification performance. (2) The number of variables has a significant effect on the classification performance, unlike the number of classes, but it has a positive effect. (3) The number of classes has a negative effect on the performance of classification. (4) Entropy has a significant effect on the performance of classification. (5) The Reverse ReLU Silhouette Score also significantly affects the classification performance at a significant level of 0.01. (6) The nonlinearity of linear classifiers has a significant negative effect on classification performance. In addition, the results of the analysis by the classification algorithms were also consistent. In the regression analysis by classification algorithm, Naïve Bayes algorithm does not have a significant effect on the number of variables unlike other classification algorithms. This study has two theoretical contributions: (1) two new meta-features (HHI, Reverse ReLU Silhouette score) was proved to be significant. (2) The effects of data characteristics on the performance of classification were investigated using meta-features. The practical contribution points (1) can be utilized in the development of classification algorithm recommendation system according to the characteristics of datasets. (2) Many data scientists are often testing by adjusting the parameters of the algorithm to find the optimal algorithm for the situation because the characte

주제어

표/그림 (10)

그림 Research model
그림 Reverse ReLU
그림 Experimental design
표 Data Set
표 k-NN Parameters
표 SVM Parameters
표 Classification Algorithm Performance
표 Regression Results
표 Results of the Algorithm-Specific Regression Analysis
그림 Decision tree for classifier selection

AI 본문요약
AI-Helper

문제 정의

이에 본 논문의 목적은 다중 클래스를 가지는 데이터셋이 있을 때 판별 알고리즘에 메타특징이 어떤 영향을 미치는지 UCI ML Repository에 게시되어 있는 여러 다분류 데이터를 활용해 실증적으로 분석하는 것이다. 이를 위해 데이터셋의 메타특징을 데이터셋 구조와 복잡도라는 두 가지 요인으로 분류하고 다중공선성(multicollinearity) 등을 고려하여 일곱 가지 메타 특징을 선정하여 회귀모형을 개발하였다.

가설 설정

가설 1: 데이터셋의 HHI는 판별 성능에 부정적인 영향을 미칠 것이다.
가설 2: 데이터셋의 변수의 개수는 판별 성능에 부정적인 영향을 미칠 것이다.
가설 3: 데이터셋의 클래스의 개수는 판별 성능에 부정적인 영향을 미칠 것이다.
가설 4: 데이터셋의 엔트로피는 판별 성능에 부정적인 영향을 미칠 것이다.
가설 5: 데이터셋의 역ReLU 실루엣 점수는 판별 성능에 부정적인 영향을 미칠 것이다.
가설 6: 데이터셋의 선형 분류기의 비선형성은 판별 성능에 부정적인 영향을 미칠 것이다.
가설 7: 데이터셋의 허브 점수는 판별 성능에 긍정적인 영향을 미칠 것이다.

제안 방법

분류 알고리즘별로 성능에 영향을 미치는 메타특징에 차이가 있음을 밝혔다. 또한 메타특징의 값에 따른 적정 알고리즘 선정에 대한 규칙을 추출하였다. 본 연구의 결과는 메타 러닝 (Meta-Learning) 시스템 개발과 데이터 분석 실무가들의 도메인에 따른 최적 분류알고리즘 선정에 기여할 것이다.
이에 본 논문의 목적은 다중 클래스를 가지는 데이터셋이 있을 때 판별 알고리즘에 메타특징이 어떤 영향을 미치는지 UCI ML Repository에 게시되어 있는 여러 다분류 데이터를 활용해 실증적으로 분석하는 것이다. 이를 위해 데이터셋의 메타특징을 데이터셋 구조와 복잡도라는 두 가지 요인으로 분류하고 다중공선성(multicollinearity) 등을 고려하여 일곱 가지 메타 특징을 선정하여 회귀모형을 개발하였다. 그 결과 선정된 대부분의 메타특징이 실제로 분류 알고리즘의 성능에 유의한 영향을 주고 있음을 밝혔다.

대상 데이터

가설검증과 판별 알고리즘의 성능 측정을 위해 본 연구에서는 UCI Machine Learning Repository에서 제공되는 데이터를 사용하였다. UCI Machine Learning Repository는 다양한 벤치마크 데이터들을 제공하고 있으며, 데이터마이닝 연구자들이 연구결과를 검증하기 위해 자주 사용되고 있다.
이때 생성되는 데이터는 식(15)의 가중치를 적용하여 10%씩 늘려 최종적으로 다수 클래스의 수와 소수 클래스의 수가 동일한 수준까지 과대표집하여 실험하였다. 최종적으로 한 개의 데이터셋은 10% ~100% 과대 표집 방법이 적용되어 원본 데이터셋을 제외한 10개의 데이터셋을 이용하게 된다. 회귀분석에 사용되는 연구에 사용된 알고리즘 5종, 벤치마크 데이터셋 6 종, 과대 표집 비율 10종, 폴드 10개로 총 샘플 수는 3,000개이다.
최종적으로 한 개의 데이터셋은 10% ~100% 과대 표집 방법이 적용되어 원본 데이터셋을 제외한 10개의 데이터셋을 이용하게 된다. 회귀분석에 사용되는 연구에 사용된 알고리즘 5종, 벤치마크 데이터셋 6 종, 과대 표집 비율 10종, 폴드 10개로 총 샘플 수는 3,000개이다.

이론/모형

본 연구에서는 데이터의 선형성과 이상치를 동시에 고려하는 방법인 선형 분류기를 이용한 비선형성(Nonlinearity of linear classifier) 측정 방법을 사용하였다. 이는 먼저 비선형 분류기 (non-linear classifier)를 통해 분류하고, SVM의 선형 커널 함수(linear kernel function)를 통해 분류된 결과를 비교하여, 에러를 비교하는 방법이다(Garcia et al.
본 연구의 실험에 활용한 분류 알고리즘은 k-NN, 나이브 베이즈(Naïve Bayes), 랜덤포레스트 (Random forest), SVM(Support Vector Machine), 로지스틱 회귀분석(Logistic Regression)등이다. 첫째, k-NN방법은 최근접 이웃 중 k개의 이웃을 선정한 후 가장 공통적인 클래스로 분류하는 방법이다.

성능/효과

다음으로 [Table 5]를 살펴보면 변수의 개수를 제외한 나머지 데이터 특성은 대체로 본 연구에서 설정한 가설이 지지되었다. 첫번째로, 본 연구에서 새롭게 제안한 메타특징인 HHI가 판별 성능에서 유의미하게 나타났다(H1 지지). HHI는 클래스의 불균형상태를 나타내는 지표로 0에 가까울수록 클래스의 분포가 동등하다는 것을 의미한다.
둘째, 변수의 개수는 클래스의 개수와는 달리 판별 성능에 유의한 영향을 주고 있으나, 정의 영향을 미치고 있었다 (H2 기각). 이에 대해서는 Table 6의 결과에서 보다 자세히 다루겠다.
셋째, 클래스의 개수는 판별 성능에 부정적인 영향을 미치는 것으로 나타났다(H3 지지). 기본적으로 클래스가 많을수록 기대확률이 작아지기 때문이다.

후속연구

하지만, 다중 퍼셉트론 알고리즘은 하이퍼 파라메터에 따라 성능의 차이가 많은 편이기 때문에, 본 연구에서 는 고려하지 못하였다. 따라서 본 연구에서 사용된 판별 알고리즘(K-NN, 로지스틱 회귀분석, 나이브 베이즈, 랜덤포레스트, SVM)과 다중 퍼셉 트론 알고리즘의 비교가 필요하다.
또한 메타특징의 값에 따른 적정 알고리즘 선정에 대한 규칙을 추출하였다. 본 연구의 결과는 메타 러닝 (Meta-Learning) 시스템 개발과 데이터 분석 실무가들의 도메인에 따른 최적 분류알고리즘 선정에 기여할 것이다. 특히 최근 자동화된 기계학습 알고리즘, 즉 AutoML에 대한 관심이 높아지고 있는데 판별을 위한 기계학습에 있어 학습 데이터의 어떤 특성이 학습 성과에 영향을 미치는지 이해하고자 접근하는 메타특징 연구는 이러한 AutoML의 발전에도 기여할 것이다.
본 연구의 결과는 메타 러닝 (Meta-Learning) 시스템 개발과 데이터 분석 실무가들의 도메인에 따른 최적 분류알고리즘 선정에 기여할 것이다. 특히 최근 자동화된 기계학습 알고리즘, 즉 AutoML에 대한 관심이 높아지고 있는데 판별을 위한 기계학습에 있어 학습 데이터의 어떤 특성이 학습 성과에 영향을 미치는지 이해하고자 접근하는 메타특징 연구는 이러한 AutoML의 발전에도 기여할 것이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	메타특징은 어떤 특성을 반영하는가?	즉, 데이터셋의 특성에 따라 어떠한 분류알고리즘을 채택하는 것이 적합한지를 판단하는 것은 전문성과 노력이 소요되는 과업이었다. 이는 메타특징(Meta-Feature)으로 불리는 데이터셋의 특성과 판별 알고리즘 성능과의 연관성에 대한 연구가 아직 충분히 이루어지지 않았기 때문이며, 더구나 다중 클래스(Multi-Class)의 특성을 반영하는 메타특징에 대한 연구 또한 거의 이루어진 바 없다. 이에 본 연구의 목적은 다중 클래스 데이터셋의 메타특징이 판별 알고리즘의 성능에 유의한 영향을 미치는지에 대한 실증 분석을 하는 것이다.
	차원 축소 외에 판별 성능에 영향을 미치는 것은?	(2013)의 연구에서는 판별 알고리즘과 다양한 샘플링 방법을 조합하여 판별 알고리즘 별로 적합한 샘플링 방법이 존재할 수 있다는 것을 밝혔으며, 요인 분석을 통한 차원 축소가 판별 성능을 높이는데 도움이 되지만(Dogan and Tanrikulu, 2013), 과도한 차원의 축소는 오히려 정확도를 떨어뜨리는 결과를 낳기도 한다는 연구도 있다 (Rok and Lusa, 2013). 또한, 클래스의 불균형을 줄일수록 판별 정확도가 높아지기도 한다 (Khoshgoftaar et al., 2010).
	판별문제란?	판별문제(Classification)는 데이터 마이닝을 비롯한 지능형 의사결정의 가장 대표적인 분석 문제이며(Chaitra et al., 2018), 판별 알고리즘 간 비교 분석은 의사결정의 질 향상을 위한 오랫동안의 중요한 연구 이슈였다 (Lotte et al.

참고문헌 (44)

Andric, K., D. Kalpic, and Z. Bohacek, "An Insight into the Effects of Class Imbalance and Sampling on Classification Accuracy in Credit Risk Assessment," Computer Science and Information Systems, Vol.16, No.1(2019), 155-178.

상세보기
Bader-El-Den, M. E. Teitei, and T. Perry, "Biased Random Forest for Dealing with the Class Imbalance Problem," IEEE Transactions on Neural Networks and Learning Systems, Vol.30, No.7(2018), 2163-2172.
Brazdil, P., J.Gama, and B.Henery, "Characterizing the Applicability of Classification Algorithms using Meta-Level Learning," In European Conference on Machine Learning (1994, April), 83-102.
Brissaud, J. B, "The Meanings of Entropy," Entropy, Vol.7, No.1(2005), 68-96.

상세보기
Chaitra, P. C., and D. R. S. Kumar, "A Review of Multi-Class Classification Algorithms," International Journal of Pure and Applied Mathematics, Vol.118, No.14(2018), 17-26.
Chan, P. P., Z. M. He, H. Li, and C. C.Hsu, "Data Sanitization Against Adversarial Label Contamination based on Data Complexity," International Journal of Machine Learning and Cybernetics, Vol.9, No.6(2018), 1039-1052.

상세보기
Chawla, N. V., N. Japkowicz, and A. Kotcz, "Special Issue on Learning from Imbalanced Data Sets," ACM Sigkdd Explorations Newsletter, Vol.6, No.1(2004), 1-6.

상세보기
Del Rio, S., V. Lopez, J. M. Benitez, and F. Herrera, "On the use of MapReduce for Imbalanced Big Data using Random Forest," Information Sciences, Vol. 285(2014), 112-137.

상세보기
Dogan, N., and Z. Tanrikulu, "A Comparative Analysis of Classification Algorithms in Data Mining for Accuracy, Speed and Robustness," Information Technology and Management, Vol.14, No.2(2013), 105-124.

상세보기
Domingos, P. and M. Pazzani, "Beyond Independence: Conditions for the Optimality of the Simple Bayesian Classifier," in Proceedings of the 13th International Conference on Machine Learning, (1996) 105-122.
Galar, G., M. Fernandez, A. Barrenechea, E. Bustince, and F. Herrera, "A Review on Ensembles for the Class Imbalance Problem: Bagging-, Boosting-, and Hybrid-Based Approaches," IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews), Vol.42, No.4(2011), 463-484.

상세보기
Garcia, L. P., A. C. de Carvalho, and A. C. Lorena, "Effect of Label Noise in the Complexity of Classification Problems," Neurocomputing, Vol.160(2015), 108-119.

상세보기
Garcia, L. P., A. C. Lorena, M. C.de Souto, and T. K. Ho, "Classifier Recommendation using Data Complexity Measures," In 2018 24th International Conference on Pattern Recognition (ICPR), (2018, August), 874-879.
Guyon, I., and A. Elisseeff, "An Introduction to Variable and Feature Selection," Journal of Machine Learning Research, Vol.3(Mar, 2003), 1157-1182.
Japkowicz, N., and S. Stephen, "The Class Imbalance Problem: A Systematic Study," Intelligent Data Analysis, Vol.6, No.5(2002), 429-449.

상세보기
Khoshgoftaar, T. M., J. Van Hulse, and A. Napolitano, "Comparing Boosting and Bagging Techniques with Noisy and Imbalanced data," IEEE Transactions on Systems, Man, and Cybernetics-Part A: Systems and Humans, Vol.41, No.3(2010), 552-568.

상세보기
Kiang, M. Y., "A Comparative Assessment of Classification Methods," Decision Support Systems, Vol.35, No.4(2003), 441-454.

상세보기
Krawczyk, B. "Learning from Imbalanced Data: Open Challenges and Future Directions," Progress in Artificial Intelligence, Vol.5, No.4(2016), 221-232.

상세보기
Krawczyk, B., M. Galar, Ł. Jelen, and F. Herrera, "Evolutionary Undersampling Boosting for Imbalanced Classification of Breast Cancer Malignancy," Applied Soft Computing, Vol.38 (2016), 714-726.

상세보기
Kwon, O., and J. M. Sim, "Effects of Data Set Features on the Performances of Classification Algorithms," Expert Systems with Applications, Vol.40, No.5(2013), 1847-1857.

상세보기
L'heureux, A., K. Grolinger, H. F. Elyamany, and M. A. Capretz, "Machine Learning with Big Data: Challenges and Approaches," IEEE Access, Vol.5(2017), 7776-7797.

상세보기
Lopez, V., A. Fernandez, S. Garcia, V. Palade, and F. Herrera, "An Insight into Classification with Imbalanced Data: Empirical Results and Current Trends on using Data Intrinsic Characteristics," Information Sciences, Vol.250 (2013), 113-141.

상세보기
Lorena, A. C., A. I. Maciel, P. B. de Miranda, I. G. Costa, and R. B. Prudencio, "Data Complexity Meta-Features for Regression Problems," Machine Learning, Vol.107, No.1 (2018), 209-246.

상세보기
Lotte, F., L. Bougrain, A. Cichocki, M. Clerc, M. Congedo, A. Rakotomamonjy, and F. Yger, "A Review of Classification Algorithms for EEG-based Brain-Computer Interfaces: a 10 year update," Journal of Neural Engineering, Vol.15, No.3(2018), 031005.

상세보기
Lu, C., J. Qiao, and J. Chang, "Herfindahl-Hirschman Index based Performance Analysis on the Convergence Development," Cluster Computing, Vol.20, No.1(2017), 121-129.

상세보기
Matsumoto, A., U. Merlone, and F. Szidarovszky, "Some Notes on Applying the Herfindahl-Hirschman Index," Applied Economics Letters, Vol.19, No.2(2012), 181-184.

상세보기
Moran-Fernandez, L., V. Bolon-Canedo, and A. Alonso-Betanzos, "Can Classification Performance be Predicted by Complexity Measures? A Study using Microarray Data," Knowledge and Information Systems, Vol.51, No.3(2017), 1067-1090.

상세보기
Napierala, K., and J. Stefanowski, "Types of Minority Class Examples and their Influence on Learning Classifiers from Imbalanced Data," Journal of Intelligent Information Systems, Vol.46, No.3(2016), 563-597.

상세보기
Nemhauser, G., and L. Wolsey, "The Scope of Integer and Combinatorial Optimization," Integer and Combinatorial Optimization, (Eds.) G. Nemhauser, and L. Wolsey, John Wiley & Sons, Inc., 1988, 1-26.
Nguyen, H. L., Y. K. Woon, and W. K. Ng, "A Survey on Data Stream Clustering and Classification," Knowledge and information systems, Vol.45, No.3(2015), 535-569.

상세보기
Prabakaran, S., R. Sahu, and S. Verma, "Classification of Multi Class Dataset using Wavelet Power Spectrum," Data Mining and Knowledge Discovery, Vol.15, No.3(2007), 297-319.

상세보기
Qiu, J., Q. Wu, G. Ding, Y. Xu, and S. Feng, "A Survey of Machine Learning for Big Data Processing," URASIP Journal on Advances in Signal Processing, No.1(2016), 67.
Rok.B and L. Lusa, "Improved Shrunken Centroid Classifiers for High-Dimensional Class-Imbalanced Data," BMC bioinformatics, Vol.14, No.1(2013), 64.

상세보기
Sen, P. C., M. Hajra, and M. Ghosh, "Supervised Classification Algorithms in Machine Learning: A Survey and Review," In Emerging Technology in Modelling and Graphics. Springer, Singapore, 2020.
Shannon, C. E, "A Mathematical Theory of Communication," Bell System Technical Journal, Vol.27, No.3(1948), 379-423.

상세보기
Sun, A., E.P. Lim, and Y. Liu, "On Strategies for Imbalanced Text Classification using SVM: A Comparative Study," Decision Support Systems, Vol.48, No.1(2009), 191-201.

상세보기
Sun, Y., A. K. Wong, and M. S. Kamel "Classification of Imbalanced Data: A Review," International Journal of Pattern Recognition and Artificial Intelligence, Vol.23, No.04 (2009), 687-719.

상세보기
Weiss, G. M., and F. Provost, "Learning when Training Data are Costly: The Effect of Class Distribution on Tree Induction," Journal of Artificial Intelligence Research, Vol.19(2003), 315-354.

상세보기
Wolpert, D. H., and W. G. Macready, "No Free Lunch Theorems for Optimization," IEEE Transactions on Evolutionary Computation, Vol.1, No.1 (1997), 67-82.

상세보기
Wu, G., and E. Y. Chang, "Aligning Boundary in Kernel Space for Learning Imbalanced Dataset," In Fourth IEEE International Conference on Data Mining (ICDM'04), 2004, November, 265-272.
Wu, X., V. Kumar, J. R. Quinlan, J. Ghosh, Q. Yang, H. Motoda, ... and Z. H. Zhou, "Top 10 Algorithms in Data Mining," Knowledge and Information Systems, Vol.14, No.1(2008), 1-37.

상세보기
Zhang, M. L., J. M. Pena, and V. Robles, "Feature Selection for Multi-Label naive Bayes Classification," Information Sciences, Vol.179, No.19(2009), 3218-3229.

상세보기
Zieba, M., and J. M. Tomczak, "Boosted SVM with Active Learning Strategy for Imbalanced Data," Soft Computing, Vol.19, No.12(2015), 3357-3368.

상세보기
Zhang, X., R. Li, B. Zhang, Y. Yang, J. Guo, and X. Ji, "An Instance-based Learning Recommendation Algorithm of Imbalance Handling Methods," Applied Mathematics and Computation, Vol.351(2019), 204-218.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

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