$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

지역적 k값을 사용한 k-Nearest Neighbor Classifier

k-Nearest Neighbor Classifier using Local Values of k

한국정보과학회 03 가을학술발표논문집(1), 2003 Oct., 2003년, pp.193 - 195  

이상훈 (서강대학교 컴퓨터학과) ,  오경환 (서강대학교 컴퓨터학과)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 k-Nearest Neighbor(k-NN) 알고리즘을 최적화하기 위해 지역적으로 다른 k(고려할 neighbor의 개수)를 사용하는 새로운 방법을 제안한다. 인스턴스 공간(instance space)에서 노이즈(noise)의 분포가 지역적(local)으로 다를 경우, 각 지점에서 고려해야 할 최적의 이웃 인스턴스(neighbor)의 수는 해당 지점에서의 국부적인 노이즈 분포에 따라 다르다. 그러나 기존의 방법은 전체 인스턴스 공간에 대해 동일한 k를 사용하기 때문에 이러한 인스턴스 공간의 지역적인 특성을 고려하지 못한다. 따라서 본 논문에서는 지역적으로 분포가 다른 노이즈 문제를 해결하기 위해 인스턴스 공간을 여러 개의 부분으로 나누고, 각 부분에 최적화된 k의 값을 사용하여 kNN을 수행하는 새로운 방법인 Local-k Nearest Neighbor 알고리즘(LkNN Algorithm)을 제안한다. LkNN을 통해 생성된 k의 집합은 인스턴스 공간의 각 부분을 대표하는 값으로, 해당 지역의 인스턴스가 고려해야 할 이웃(neighbor)의 수를 결정지어준다. 제안한 알고리즘에 적합한 데이터의 도메인(domain)과 그것의 향상된 성능은 UCI ML Data Repository 데이터를 사용한 실험을 통해 검증하였다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 2절에서 논의한 것과 같이 인스턴스 공간을 일정한 크기의 부분으로 나누는 것은 인스턴스 벡터의 차원이 클 경우, 계산 비용 (computational cost)의 측면에서 실현 불가능하다. 따라서 본 논문에서는 간단한 휴리스틱(heuristic)을 통해 지역을 구분하는 방법을 제안한다. 제안한 방법에서는 먼저 다음의 명제를 가정한다.
  • 본 논문에서는 이러한 문제점을 해결하기 위해 인스턴스 공간의 지역적인 노이즈 분포 차이를 고려할 수 있는 새로운 알고리즘을 제안하였다. 제안한 방법에서는 먼저 학습 집합을 통해 정의되는 인스턴스 공간을 여러 개의 부분으로 나누고, 각 부분에 대한 춰 적의 k 값을 계산한다.
  • 본 논문에서는 인스턴스 공간의 각 부분에서 다른 수의 이웃을 고려하는 kNN 방법인 Local-k Nearest Neighbor (LkNN) 알고리즘을 제안하였다. 제안한 방법은 인스턴스 공간의 각 부분에 따라 노이즈의 분포가 다를 경우, 단일한 k 값을 사용하는 kNN 알고리즘이 손실할 수 있는 정보를 보존함으로써 분류 정확도를 향 상시킬 수 있었다.

가설 설정

  • 제안한 방법에서는 먼저 다음의 명제를 가정한다. 가정.1 어떤 두 인스턴스가 인스턴스 공간에서 가깝게 위치한다. 면, 두 인스턴스에 최적화된 kNN의 k 값은 동일하다.
본문요약 정보가 도움이 되었나요?
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트