[논문]다변량 데이터 분석을 위한 PCA 알고리즘 구현

김귀숙; 손호선; 류근호; 이영성

다변량 데이터 분석을 위한 PCA 알고리즘 구현
Performance of PCA Algorithm for Multivariate Data Analysis 원문보기

김귀숙 (충북대학교 의생명과학경영융합 대학원) , 손호선 (충북대학교 의생명과학경영융합 대학원) , 류근호 (충북대학교 의생명과학경영융합 대학원) , 이영성 (충북대학교 의생명과학경영융합 대학원)

다변량 데이터 분석에 주로 사용되는 차원축소 기법 중 하나인 PCA 알고리즘을 직접 구현해보고 기존의 통계분석 프로그램과 그 결과를 비교분석 해보았다. UCI에서 제공하는 유방암 데이터를 이용하여 실험 해본 결과 두 프로그램 모두 같은 주성분을 얻고, Eigenvalue와 variance도 같은 값을 얻었다. 따라서 상용화된 통계패키지를 사용하지 않고도 PCA 알고리즘을 적용하여 차원축소 문제를 해결하고 데이터를 분석 할 수 있다.

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

문제 정의

본 연구의 목적은 위와 같은 기존의 통계 패키지의 단점을 보완하고자 User-Interface 중심의 PCA 알고리즘을 직접 구현하고 그 결과를 시각화하여 쉽게 데이터의 분석을 할 수 있도록 하는 것이다. 구현한 PCA 알고리즘은 다변량 데이터를 분석하여 기존의 통계 패키지와 그 결과를 비교분석하여 그 성능을 평가하였다.

제안 방법

xls) 형식 파일로 저장한 뒤 프로그램의 File 메뉴의 데이터 입력 기능을 이용하여 데이터를 입력해준다. bilud model 메뉴의 PCA 기능을 사용하여 데이터를 분석한 뒤 같은 메뉴의 Score Plot, Loading Plot 기능으로 데이터 분석 결과를 시각화하여 나타낸다.
본 논문에서는 다변량 데이터 분석 방법 중 하나인 PCA 알고리즘을 구현하고 기존의 통계 프로그램과 비교 분석하였다. 또한 Score Plot 과 Loading Plot 을 시각화 하였다. 그 결과 기존 프로그램과 같은 결과를 보였으므로 이를 활용하여 다변량 데이터 분석을 할 수 있다.
본 논문에서는 다변량 데이터 분석 방법 중 하나인 PCA 알고리즘을 구현하고 기존의 통계 프로그램과 비교 분석하였다. 또한 Score Plot 과 Loading Plot 을 시각화 하였다.

대상 데이터

실험에 사용된 데이터는 UCI[7]에서 제공하는 유방암 데이터, 와인 데이터, 이스트 데이터이다. 유방암 데이터는 샘플 569 개, 속성 32 개로 이루어져있고 이 중 ID number 와 Diagnosis 2 가지를 제외한 30 개의 속성을 가지고 실험을 진행하였다.
유방암 데이터는 샘플 569 개, 속성 32 개로 이루어져있고 이 중 ID number 와 Diagnosis 2 가지를 제외한 30 개의 속성을 가지고 실험을 진행하였다. 와인 데이터는 샘플 4898 개, 속성 12 개, 이스트 데이터는 샘플 1484개, 속성 8 개로 이루어져있다.
실험에 사용된 데이터는 UCI[7]에서 제공하는 유방암 데이터, 와인 데이터, 이스트 데이터이다. 유방암 데이터는 샘플 569 개, 속성 32 개로 이루어져있고 이 중 ID number 와 Diagnosis 2 가지를 제외한 30 개의 속성을 가지고 실험을 진행하였다. 와인 데이터는 샘플 4898 개, 속성 12 개, 이스트 데이터는 샘플 1484개, 속성 8 개로 이루어져있다.

데이터처리

본 연구의 목적은 위와 같은 기존의 통계 패키지의 단점을 보완하고자 User-Interface 중심의 PCA 알고리즘을 직접 구현하고 그 결과를 시각화하여 쉽게 데이터의 분석을 할 수 있도록 하는 것이다. 구현한 PCA 알고리즘은 다변량 데이터를 분석하여 기존의 통계 패키지와 그 결과를 비교분석하여 그 성능을 평가하였다.

이론/모형

PCA 알고리즘은 matlab 언어를 이용하여 Standalone 형식으로 구현하였다. 구현한 PCA 알고리즘을 이용하여 데이터를 분석하려면 먼저, 분석 하고자 하는 데이터를 엑셀(.

후속연구

향후 연구로는 다양한 다변량 분석방법을 구현하고, 다른 알고리즘과의 앙상블을 통해 데이터 분석 성능을 높이는 연구를 진행할 것이다. 또한 PCA 를 통해 얻은 결과값에 Cross validation 을 적용시켜 학습모델을 만들어 분류가 가능하도록 할 것이다.
향후 연구로는 다양한 다변량 분석방법을 구현하고, 다른 알고리즘과의 앙상블을 통해 데이터 분석 성능을 높이는 연구를 진행할 것이다. 또한 PCA 를 통해 얻은 결과값에 Cross validation 을 적용시켜 학습모델을 만들어 분류가 가능하도록 할 것이다.

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

다변량 데이터 분석을 위한 PCA 알고리즘 구현
Performance of PCA Algorithm for Multivariate Data Analysis 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

후속연구

이 논문을 인용한 문헌

연구과제 타임라인

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

다변량 데이터 분석을 위한 PCA 알고리즘 구현 Performance of PCA Algorithm for Multivariate Data Analysis 원문보기

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

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

후속연구

이 논문을 인용한 문헌

연구과제 타임라인

전체(0) 논문(0) 특허(0) 보고서(0)

전체(0) 논문(0) 특허(0) 보고서(0)

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

다변량 데이터 분석을 위한 PCA 알고리즘 구현
Performance of PCA Algorithm for Multivariate Data Analysis 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper