[논문]불균형 클래스에서 AutoML 기반 분류 모델의 성능 향상을 위한 데이터 처리

이동준; 강지수; 정경용

doi:10.22156/cs4smb.2021.11.06.049

초록
AI-Helper

최근 스마트 헬스케어 기술의 발전에 따라 일상적인 질환에 대한 관심이 증가하고 있다. 이에 따라 헬스케어 데이터를 통해 예측 모델로 질병을 분석하거나 예측하는 연구들이 증가하고 있다. 그러나 헬스케어 데이터에는 양성 데이터와 음성 데이터의 불균형이 존재한다. 이는 특정 질환을 가진 환자에 비하여 상대적으로 환자가 아닌 사람이 많아 데이터 수집에 어려움이 있어 발생하는 현상이다. 데이터 불균형은 질병 예측 및 탐지 시 진행하는 모델의 성능에 영향을 끼치기 때문에 이를 제거할 필요가 있다. 따라서 본 연구에서는 오버샘플링과 결측값 대치를 통해서 데이터 불균형을 해소한다. AutoML을 기반으로 여러 모델의 성능을 파악하고 모델 중 상위 3개의 모델을 앙상블한다.

Abstract ▼ AI-Helper

With the recent development of smart healthcare technology, interest in daily diseases is increasing. However, healthcare data has an imbalance between positive and negative data. This is caused by the difficulty of collecting data because there are relatively many people who are not patients compar...

With the recent development of smart healthcare technology, interest in daily diseases is increasing. However, healthcare data has an imbalance between positive and negative data. This is caused by the difficulty of collecting data because there are relatively many people who are not patients compared to patients with certain diseases. Data imbalances need to be adjusted because they affect performance in ongoing learning during disease prediction and analysis. Therefore, in this paper, We replace missing values through multiple imputation in detection models to determine whether they are prevalent or not, and resolve data imbalances through over-sampling. Based on AutoML using preprocessed data, We generate several models and select top 3 models to generate ensemble models.

주제어

표/그림 (8)

그림 Fig. 1. Process of Multiple Imputation by Chained Equations
그림 Fig. 2. Operation of SMOTE Algorithm
그림 Fig. 3. Binary Classifier Generated using Preprocessed Data
그림 Fig. 4. Preprocessing of Dysmennorrhea Data
그림 Fig. 5. Process of Creating a Model using Preprocessed Data
표 Table 1. Performance Evaluation Result of Single Classifier Generated by AutoML
표 Table 3. Overall Performance Comparison between the Proposed Method and the Existing Method
표 Table 2. Performance Result for Ensemble Model by AutoML

참고문헌 (15)

J. C. Kim & K. Chung. (2020). Hybrid Multi-Modal Deep Learning using Collaborative Concat Layer in Health Bigdata. IEEE Access, 8, 192469-192480. DOI : 10.1109/ACCESS.2020.3031762

상세보기
H. Asri, H. Mousannif, H. Al Moatassime & T. Noel. (2015, June). Big data in healthcare: challenges and opportunities. In International Conference on Cloud Technologies and Applications (CloudTech), 1-7.
J. C. Kim & K. Chung. (2020). Multi-modal stacked denoising autoencoder for handling missing data in healthcare big data. IEEE Access, 8, 104933-104943. DOI : 10.1109/ACCESS.2020.2997255

상세보기
S. V. Buuren & K. Groothuis-Oudshoorn. (2010). mice: Multivariate imputation by chained equations in R. Journal of statistical software, 1-68.
N. V. Chawla, K. W. Bowyer, L. O. Hall & W. P. Kegelmeyer. (2002). SMOTE: synthetic minority over-sampling technique. Journal of artificial intelligence research, 16, 321-357. DOI : 10.1613/jair.953

상세보기
A. Truong, A. Walters, J. Goodsitt, K. Hines, C. B. Bruss & R. Farivar. (2019). Towards automated machine learning: Evaluation and comparison of AutoML approaches and tools. In 2019 IEEE 31st International Conference on Tools with Artificial Intelligence(ICTAI), 1471-1479. DOI : 10.1109/ICTAI.2019.00209
D. J. Lee, J. S. Kang, M. J. Kim, J. W. Baek & K. Chung. (2021). Data Imbalance Processing through Over-sampling in Binary Classification Model. Korean Society For Internet Information Spring Conference, 77-78.
Y. A. Shreider (2014). The Monte Carlo method: the method of statistical trials(Vol. 87). Elsevier.
I. R. White, P. Royston & A. M. Wood. (2011). Multiple imputation using chained equations: issues and guidance for practice. Statistics in medicine, 30(4), 377-399. DOI : 10.1002/sim.4067

상세보기
C. Gong & L. Gu. (2016). A novel SMOTE-based classification approach to online data imbalance problem. Mathematical Problems in Engineering, 1-14.
The Fifth Korea National Health and Nutrition Examination Survey (KNHANES V-2). (2015). Korea Centers for Disease Control and Prevention.
B. L. Drinkwater, B. Bruemner & C. H. Chesnut. (1990). Menstrual history as a determinant of current bone density in young athletes. Jama, 263(4), 545-548. DOI : 10.1001/jama.1990.03440040084033

상세보기
Y. Liu, E. B. Gold, B. L. Lasley & W. O. Johnson. (2004). Factors affecting menstrual cycle characteristics. American journal of epidemiology, 160(2), 131-140. DOI : 10.1093/aje/kwh188

상세보기
J. Hao & T. K. Ho. (2019). Machine learning made easy: A review of scikit-learn package in Python programming language. Journal of Educational and Behavioral Statistics, 44(3), 348-361. DOI : 10.3102/1076998619832248

상세보기
S. E. Ryu, D. H. Shin & K. Chung. (2020). Prediction model of dementia risk based on XGBoost using derived variable extraction and hyper parameter optimization. IEEE Access, 8, 177708-177720. DOI : 10.1109/ACCESS.2020.3025553

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

불균형 클래스에서 AutoML 기반 분류 모델의 성능 향상을 위한 데이터 처리
Data Processing of AutoML-based Classification Models for Improving Performance in Unbalanced Classes 원문보기

초록
AI-Helper

Abstract ▼ AI-Helper

주제어

표/그림 (8)

표/그림 (8)

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

불균형 클래스에서 AutoML 기반 분류 모델의 성능 향상을 위한 데이터 처리 Data Processing of AutoML-based Classification Models for Improving Performance in Unbalanced Classes 원문보기

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

Abstract ▼ AI-Helper

주제어

표/그림 (8) 모든 표/그림 보기

표/그림 (8) 슬라이드로 보기

참고문헌 (15)

이 논문을 인용한 문헌

저자의 다른 논문 :

강지수 (5) 정경용 (71)

관련 콘텐츠

원문 보기

원문 URL 링크

오픈액세스(OA) 유형

연관된 기능

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

불균형 클래스에서 AutoML 기반 분류 모델의 성능 향상을 위한 데이터 처리
Data Processing of AutoML-based Classification Models for Improving Performance in Unbalanced Classes 원문보기

초록
AI-Helper

표/그림 (8)

표/그림 (8)