선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 논문은 경기도 연천 지역 주민들을 대상으로 1993년, 1995년 2차에 걸쳐 조사된 여러가지 신체 지수 등의 데이터를 분석한다, 이 데이터는 1차 년도에는 정상이었다가 2차 년 도에는 정상과 당뇨병 환자로 나뉘어 진 연천지역 주민들의 여러 가지 정보를 담고 있는데, 이 데이터에서 1차년도의 데이터로부터 2차 년도에 정상 상태를 유지하는지, 아니면 당뇨병 환자가 되는지를 예측해 내는 것이 본 논문에서 다루고자 하는 문제이다. 이제까지 하지만 혈당량, 허리둘레, 체지방 지수 등 여러가지 신체적 데이터가 당뇨병의 진행에 영향을 끼친다고 알려져 왔으므로, 과거의 데이터로부터 앞으로의 발병 가능성을 예측함으로써 환자에게 보다 정확한 정보를 알려 줄 수 있을 것이다[2].
제안 방법
- 결과와 비교한 것이다. 가중 투표 결합의 가중치는 단일 분류기의 인식률을 사용하였으며, 공정한 비교를 위해 BKS 결합 방법과 동일한 학습 샘플로 개별 분류기를 학습하고, 역시 동일한 테스트 샘플로 테스트를 하였다. 투표 결합과 가중 투표결합의 결과는 예상 외로 단일 분류기 중 분류율이 가장 좋은 MLP의 결과보다도 낮은 분류율을 보였다.
- 결합하였다. 개별 분류기로는 K、최근접 이웃(妇nearest neighbour, KNN), 다충 신경망(multi-layered perceptron, MLP), 그리고 SVM(support vector machines)이 사용되었다. SVMe 서로 다른 두 가지의 커널 함수를 사용하였는데, 아래 그림 1에서의 SVM(L)과 SVM(R)은 각각 선형(linear) 커널 함수와 RBF (radi시 basis function) 커널 함수를 사용한 SVM올 뜻한다.
- 또한 예측율의 향상올 위해 여러 개의 분류기를 BKS 결합 방법을 통해 결합하였다. 실험을 통하여 단일 분류기를 사용했을 경우에는 87.
- 본 논문에서 사용한 분류기를 통한 예측은 여러 속성 값의 패턴을 통해 학습과정을 거쳐 분류에 사용하는 것이므로, 이때의 분류기는 블랙 박스로서 역할을 수행하여 결과만을 알려준다. 하지만 베이지안 네트웍 둥 속성들 간의 관계를 분석해볼 수 있는 방법을 사용한다면 직접적인 분석이 가능해지므로 또한 의미 있는 연구가 될 것이다.
- BKS 결합 방법의 단점으로 클래스와 분류기의 수가 커질 경우 필요한 저장 공간이 기하학적으로 늘어난다는 점과, BKS 테이블의 클래스 간 레이블 수가 비슷할 때는 분류율이 떨어지는 점을 들 수 있다[3]. 본 논문에서는 2 클래스 문제의 해결을 위해 4개의 분류기를 결합하였으므로 무리한 저장 공간을 필요로 하지 않으며, 표 3에서 볼 수 있듯이 한 패턴에 대해 라이블 수가 비슷한 경우 또한 거의 없다. 이런 여러가지 사항을 고려할 때, 본 논문의 문제 해결을 위한 방법으로 BKS 결합이 적합하다고 할 수 있다
- 본 논문에서는 당뇨병의 예측을 위해 BKS 결합 방법으로 분류기를 결합하였다. 개별 분류기로는 K、최근접 이웃(妇nearest neighbour, KNN), 다충 신경망(multi-layered perceptron, MLP), 그리고 SVM(support vector machines)이 사용되었다.
- 예측을 위해서 패턴인식 분야에서 사용되는 분류 기법을 사용하였는데, 단일 분류기를 사용한 분류율의 향상은 한계가 있기 때문에 보다 높은 성능을 얻기 위해 여러 개의 분류기를 BKS (behavior knowledge space) 결합 방법을 통해 결합하였다. BKS 결합 방법은 다른 방법과는 달리 사용한 개별 분류기들이 서로 독립이라는 가정이 필요 없으며, 데이터의 크기가 충분히 크고, 전형적인(representative) 경우에 좋은 결과를 낼 수 있는 방법이다[斗
대상 데이터
- 연구를 위해 조사되었다. 1993년에 경기도 연천군에 거주하는 2520명 중 당뇨병이 없던 2293명을 대상으로 1차 조사를 하였으며, 1995년 2차 조사 시에는 그 중 1193명을 조사하였다 [, 4] 이 중 1040명이 정상 상태였고, 153명은 당뇨병으로 진행이 되었다. 즉, 정상과 당뇨를 분류해야 하는 2 클래스 문제를 위한 데이터이다.
- 먼저 MLP, KNN의 실험 환경은 다음과 같다. MLP의 경우 (20-10-2) 개의 (입력-히든-출력)노드 수를 사용했으며, 학습률은 0, 01, 최대 반복회수는 200회로 설정하였다. KNW의 k는 예비 실험에서 가장 좋은 결과를 보인 5로 설정하였다.
- 따른 여러 레이블의 수를 기억한다. 본 논문에서 사용한 당뇨병 데이터는 2 클래스 데이터 이고, 결합을 위해서 4개의 단일 분류기가 사용되었으므로 BKS 테이블을 위해 필요한 패턴의 수는 2, 이 된다. 표 3은 16개의 패턴 중 7개에 대한 레이블만을 보여주는데, 여기에 나타나지 않은 패턴에 대해서는 학습 데이터가 없었기 때문이다.
- 즉, 정상과 당뇨를 분류해야 하는 2 클래스 문제를 위한 데이터이다. 본 논문은 두 차례의 조사에 모두 참여한 1193명의 데이터 중 많은 결측값을 포함하고 있던 일부의 샘플을 제외한 1111명의 데이터를 대상으로 하였다, 각 데이터는 연령, 성별 등의 외형적인 정보부터 혈당, 인슐린, 체질량 지수 등과 같은 신체 지수까지 여러 속성을 포함하고 있으며, 본 논문에서는 여러 속성들 가운데 분류에 유용한 20개의 속성을 사용하였다. 표 4는 각 데이터의 속성을 보여준다.
- 실험에 사용된 데이터는 본래 지역 사회를 기반으로 한 역학 연구를 위해 조사되었다. 1993년에 경기도 연천군에 거주하는 2520명 중 당뇨병이 없던 2293명을 대상으로 1차 조사를 하였으며, 1995년 2차 조사 시에는 그 중 1193명을 조사하였다 [, 4] 이 중 1040명이 정상 상태였고, 153명은 당뇨병으로 진행이 되었다.
- 전체 1111개의 샘플을 학습 샘플 750 (정상:660/당뇨:90), 테스트 샘플 361 (정상:317/당뇨:44)로 나누어 실험하였다. 먼저 MLP, KNN의 실험 환경은 다음과 같다.
이론/모형
- 본 논문에서는 연천 지역의 주민들로부터 얻은 1993년의 데이터로부터 동일한 사람들이 1995년에 당뇨병으로 진행이 되는지를 예측하기 위해 패턴 인식 방법인 분류 기법을 사용하였다. 또한 예측율의 향상올 위해 여러 개의 분류기를 BKS 결합 방법을 통해 결합하였다.
성능/효과
- BKS 결합 방법을 통해 얻은 분류율을 보여준다. 단일 분류기의 분류결과는 MLP의 결과가 91.7%로 가장 높았으며 BKS 결합 방법을 사용했을 때는 92.8%의 분류률을 얻어 결합으로 인한 분류율의 향상을 확인했다. 테스트 샘플의 패턴이 BKS 테이블에 없어서 거부(reject)된 경우가 하나 있었으나 전체 분류율에 큰 영향을 주지눈 못하였다.
- 8%의 향상된 분류율을 얻었다. 마지막으로 BKS로 결합한 결과가 투표 결합 방법과 비교하여 더 높은 성능을 보임을 확인하였다.
- 내는 방법이다. 본 논문의 당뇨병 데이터는 데이터의 크기가 츙분히 크지는 않지만, 클래스가 2개뿐이고 또한 분류기를 4개밖에 사용하지 않았으므로 데이터 수가 조금 부족한 점이 보완될 수 있다. 또한 BKS 테이블 내 학습 데이터의 패턴이, 테스트 데이터의 패턴과 거의 일치하는 전형적인 데이터이기 때문에 BKS가 결합 방법으로서 적합하다.
- 또한 예측율의 향상올 위해 여러 개의 분류기를 BKS 결합 방법을 통해 결합하였다. 실험을 통하여 단일 분류기를 사용했을 경우에는 87.8%~이.7%의 분류율을 얻었으며, BKS 결합 방법을 통해서는 92.8%의 향상된 분류율을 얻었다. 마지막으로 BKS로 결합한 결과가 투표 결합 방법과 비교하여 더 높은 성능을 보임을 확인하였다.
- 본 논문에서는 2 클래스 문제의 해결을 위해 4개의 분류기를 결합하였으므로 무리한 저장 공간을 필요로 하지 않으며, 표 3에서 볼 수 있듯이 한 패턴에 대해 라이블 수가 비슷한 경우 또한 거의 없다. 이런 여러가지 사항을 고려할 때, 본 논문의 문제 해결을 위한 방법으로 BKS 결합이 적합하다고 할 수 있다
- 가중 투표 결합의 가중치는 단일 분류기의 인식률을 사용하였으며, 공정한 비교를 위해 BKS 결합 방법과 동일한 학습 샘플로 개별 분류기를 학습하고, 역시 동일한 테스트 샘플로 테스트를 하였다. 투표 결합과 가중 투표결합의 결과는 예상 외로 단일 분류기 중 분류율이 가장 좋은 MLP의 결과보다도 낮은 분류율을 보였다.
후속연구
- 문제이다. 이제까지 하지만 혈당량, 허리둘레, 체지방 지수 등 여러가지 신체적 데이터가 당뇨병의 진행에 영향을 끼친다고 알려져 왔으므로, 과거의 데이터로부터 앞으로의 발병 가능성을 예측함으로써 환자에게 보다 정확한 정보를 알려 줄 수 있을 것이다[2].
- 하지만 베이지안 네트웍 둥 속성들 간의 관계를 분석해볼 수 있는 방법을 사용한다면 직접적인 분석이 가능해지므로 또한 의미 있는 연구가 될 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.