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
- 앞 절의 경우처럼 소수 범주 데이터의 수가 충분한 경우에는 데이터 분포의 왜곡이 심하게 일어나지 않지만 소수 범주 데이터의 수가 매우 적은 경우에는 데이터 분포의 왜곡이 핵심적인 문제가 될 가능성이 매우 크다. 따라서 이 절에서는 소수 범주 데이터의 수가 매우 적은 인공 데이터를 생성하여 Under-Sampling 방법이 야기하는 데이터 분포 왜곡 현상이 어느 정도인지를 알아보기로 한다. 이를 위하여 [표 3]과 같이 소수 범주 데이터의 수가 80개이며 불균형의 비율이 1:5, 1:10, 1:30, 1:50, 1:100인 5개의 4X 4 Checker Board 데이터(Set B)를 생성하였다.
- 데이터 불균형 문제는 패턴 인식과 기계 학습 분야에서 지속적으로 연구되어온 중요한 이슈 중의 하 나이다. 본 논문에는 소수 범주에 속하는 데이터가 매우 적은 경우, 데이터 불균형이 실제로 분류기의 성능에 미치는 영향을 2차원 인공 데이터를 통하여 알아보고 지금까지 제안된 방법들의 단점을 극복하기 위하여 랜덤 샘플링 기반 앙상블 SVM(RSBE SVM)을 제안하였다. 제안된 RSBE SVM을 두 가지의 인공 데이터에 적용하여 실험을 수행하고 기존의 기법들에 비하여 우수한 성능을 나타내는 것을 확인하였다.
- 본 논문에서는 데이터 불균형이 나타나는 2 범주 분류 문제에서 SVM을 사용하여 분류기를 구축할 때, Under-Sampling과 Over-Sampling, 그리고 Modifying Cost 기법들의 효과를 2차원 인공 데이터를 통하여 알아본다. 그리고 현존하는 방법들의 단점을 극복하기 위하여 Under-Sampling 기반 앙상블 SVM(EUS SVMs: Ensemble of Under-Sampled SVMs)을 제안하였다.
- 그리고 Over-Sampling의 단점인 소수 범주를 다수 범주의 수만큼 샘플링 함으로써 발생하는 긴 학습 시간 또한 어느 정도 극복할 수 있다. 본 논문에서는 데이터 불균형이 나타나는 2차원 인공데이터에 EUS SVMs를 적용하여 실험을 수행하고 그 결과를 분석함으로써 EUS SVMs의 효과를 입증하고 자 한다.
- 본 논문에서는 앞에서 언급된 데이터의 불균형이 심하고, 소수 범주에 속하는 데이터의 수가 매우 적은 경우 Under-Sampling이 가지는 단점을 극복하기 위하여 Ensemble of Under-Sampled SVMs (EUS SVMs)를 제안하였다. [그림 이와 [그림 "은 EUS SVMs의 Algorithm을 설명한 것이다.
- 본 연구의 후속으로 다음과 같은 연구들이 진행될 수 있다. 본 연구에서는 다수 범주의 데이터를 랜덤하게 샘플링하여 앙상블에 필요한 학습 데이터들을 구축하였다. 따라서 다수 범주의 데이터를 랜덤하게 샘플링하지 않고, K-Means 클러스터링이 나 SOM(Self Organizing Map) 등의 기법을 사용하여 비슷한 특징을 가지고 있는 군집을 이룬 후 이를 앙상블 학습 데이터로 구축할 수 있을 것이다.
- 2장에서는 우선 단 순 정확도로는 측정하기 어려운 불균형 데이터의 성능 척도에 대해서 언급하고 이를 해결할 수 있는 성능 척도를 선정한다. 이어서 2차원 인공 데이터를 통하여 데이터의 불균형과 적은 소수 범주 데이터의 수가 실제로 분류기의 성능에 어떠한 영향을 끼치는가를 알아본다. 3장에서는 EUS SVMs에 대한 설명을 하고 4장에서는 EUS SVMs의 성능 비교 실험을 위한 비교 방법론들과 실험 디자인에 대하여 설명한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.