$\require{mediawiki-texvc}$
  • 검색어에 아래의 연산자를 사용하시면 더 정확한 검색결과를 얻을 수 있습니다.
  • 검색연산자
검색연산자 기능 검색시 예
() 우선순위가 가장 높은 연산자 예1) (나노 (기계 | machine))
공백 두 개의 검색어(식)을 모두 포함하고 있는 문서 검색 예1) (나노 기계)
예2) 나노 장영실
| 두 개의 검색어(식) 중 하나 이상 포함하고 있는 문서 검색 예1) (줄기세포 | 면역)
예2) 줄기세포 | 장영실
! NOT 이후에 있는 검색어가 포함된 문서는 제외 예1) (황금 !백금)
예2) !image
* 검색어의 *란에 0개 이상의 임의의 문자가 포함된 문서 검색 예) semi*
"" 따옴표 내의 구문과 완전히 일치하는 문서만 검색 예) "Transform and Quantization"

논문 상세정보

회귀문제를 위한 비선형 특징 추출 방법

Nonlinear feature extraction for regression problems

초록

본 논문에서는 회귀문제를 위한 비선형 특징 추출방법을 제안하고 분류문제에 적용한다. 이 방법은 이미 제안된 선형판별 분석법을 회귀문제에 적용한 회귀선형판별분석법(Linear Discriminant Analysis for regression:LDAr)을 비선형 문제에 대해 확장한 것이다. 본 논문에서는 이를 위해 커널함수를 이용하여 비선형 문제로 확장하였다. 기본적인 아이디어는 입력 특징 공간을 커널 함수를 이용하여 새로운 고차원의 특징 공간으로 확장을 한 후, 샘플 간의 거리가 큰 것과 작은 것의 비율을 최대화하는 것이다. 일반적으로 얼굴 인식과 같은 응용 분야에서 얼굴의 크기, 회전과 같은 것들은 회귀문제에 있어서 비선형적이며 복잡한 문제로 인식되고 있다. 본 논문에서는 회귀 문제에 대한 간단한 실험을 수행하였으며 회귀선형판별분석법(LDAr)을 이용한 결과보다 향상된 결과를 얻을 수 있었다.

질의응답 

키워드에 따른 질의응답 제공
핵심어 질문 논문에서 추출한 답변
회귀
회귀는 무엇인가?
유한한 잡음들의 표본에서 정보가 있는 데이터의 함수를 예측하기 위한 방법이다. 데이터 분류에 있어서 회귀는 지도 학습에 해당한다.

패턴 인식, 기계 학습, 통계학 분야에서 회귀문제는 지속적인 관심의 대상이다. 회귀는 유한한 잡음들의 표본에서 정보가 있는 데이터의 함수를 예측하기 위한 방법이다. 데이터 분류에 있어서 회귀는 지도 학습에 해당한다. 지도학습은 훈련 데이터로부터 함수를 만들어내는 기계학습의 기술이다.

분류
분류 문제에 있어 일반적으로 목표변수는 어떤 값을 가지는가?
이산값

일반적으로 분류 문제에 있어서 목표변수들은 이산값을 가지게 된다. 하지만, 회귀 문제에서는 목표변수들이 연속값으로 존재한다.

회귀
회귀에서 훈련 데이터는 어떻게 구성되는가?
입력 대상의 쌍과 원하는 출력으로 구성된다.

지도학습은 훈련 데이터로부터 함수를 만들어내는 기계학습의 기술이다. 훈련 데이터는 입력 대상의 쌍과 원하는 출력으로 구성된다. 이 논문에서는 입력 대상과 원하는 출력에 대해 각각 입력 특징과 목표변수라 명하였다.

질의응답 정보가 도움이 되었나요?

문의하기 

궁금한 사항이나 기타 의견이 있으시면 남겨주세요.

Q&A 등록

원문보기

원문 PDF 다운로드

  • ScienceON :

원문 URL 링크

  • 원문 URL 링크 정보가 존재하지 않습니다.

원문 PDF 파일 및 링크정보가 존재하지 않을 경우 KISTI DDS 시스템에서 제공하는 원문복사서비스를 사용할 수 있습니다. (원문복사서비스 안내 바로 가기)

DOI 인용 스타일

"" 핵심어 질의응답