초록 ▼

□ 연구개요
본 연구에서 수행 과제는 복잡 다양한 반복 측정 반응변수에 대해 예측변수의 분할을 반응변수와의 연관성을 평가하여 최적의 분할을 찾아 최적의 객체 그룹들을 생성하는 통계적 방법을 개발하고, 예측변수를 재귀적으로 분할(recursive partitioning)하여 최적의 소그룹을 생성하는 통계적 방법론을 개발하는 것이었다.

□ 연구 목표대비 연구결과
반응변수가 복잡 다양한 경우에 재귀적 분할을 통한 의사결정나무모형을 개발한다는 목표로 먼저 (1) 분위수 자기회귀모형을 활용하여 시계열 자료에서 특이치를

□ 연구개요
본 연구에서 수행 과제는 복잡 다양한 반복 측정 반응변수에 대해 예측변수의 분할을 반응변수와의 연관성을 평가하여 최적의 분할을 찾아 최적의 객체 그룹들을 생성하는 통계적 방법을 개발하고, 예측변수를 재귀적으로 분할(recursive partitioning)하여 최적의 소그룹을 생성하는 통계적 방법론을 개발하는 것이었다.

□ 연구 목표대비 연구결과
반응변수가 복잡 다양한 경우에 재귀적 분할을 통한 의사결정나무모형을 개발한다는 목표로 먼저 (1) 분위수 자기회귀모형을 활용하여 시계열 자료에서 특이치를 발견하는 알고리즘, (2) 벌점화 분위수 회귀나무 알고리즘, (3) 영과잉계수 자료 분석을 위한 허들나무모형 구축 알고리즘을 개발하였다. 추가로, (4) 경시적 생존자료 분석을 위한 결합 모형을 사용하여 전투과학자료에 적용한 사례 연구, (5) 다변량분위수 회구 나무모형 알고리즘 개발, (6) 연속형 변수와 범주형 변수가 함께 존재하는 혼합형 데이터의 군집분석에서 연속형 변수의 경우에 군집분석 방법 연구를 실시하였다. 또한, (7) 여러 개의 관련 방정식을 동시에 적합하는 모형을 나무구조로 향상하는 알고리즘을 개발하였고, (8) 여러 개의 분위 수준에서 동시에 나무구조 분위수 회귀를 적합하는 방법론을 개발하였다. 마지막으로, (9) 의과학 분야에서는 암세포의 크기 또는 전이된 세포의 수와 같은 예측 인자를 가지고 생존 시간이 상이한 몇 개의 환자 그룹으로 나누어 각 그룹에 맞춤형으로 치료하고 대응하도록 하는 K-adaptive recursive partitioning을 실시하여 staging system를 생성 알고리즘을 개발하였다. 기존의 목표대로 다양한 형태의 마이닝 기법을 개발하였다.

□ 연구개발결과의 중요성
본 연구 결과는 다양한 분야에서 생성되는 다양한 형태의 반복 측정 데이터에 기존 마이닝 소프트웨어로는 불가능한 경우에 본 연구 결과가 유용하게 적용될 수 있다. 마케팅 분야, 교육 분야, 바이오 분야 등에서 다양한 형태의 반복 측정 데이터가 생성되고 기존의 마이닝 기법으로는 분석이 불가능한데 반해, 본 연구에서 개발된 기법으로 효율적으로 분석 가능하다. 이외에도 마이닝 기술이 필요한 대용량 반복 측정 자료가 무수히 생산되고 있으므로 본 연구 결과의 응용은 상상할 수 없을 정도로 많다.

(출처 : 연구결과 요약문 2p)

목차 Contents

• 표지 ... 1
• 연구결과 요약문 ... 2
• 목차 ... 3
• 1. 연구개발과제의 개요 ... 3
• 2. 연구수행내용 및 연구결과 ... 3
• (1) Outlier Detection in Time Series Data ... 4
• (2) Penalized Quantile Regression Tree ... 4
• (3) Hurdle Decision Tree for Zero Inflated Count Data ... 5
• (4) Analysis of Scientific Military Training Data using Joint Model for Longitudinal and Time-to-event Data ... 5
• (5) Multivariate Quantile Regression Tree ... 5
• (6) Study on Cluster Analysis of Mixed Data with Continuous and Categorical Variables ... 5
• (7) Seemingly Unrelated Regression Tree ... 6
• (8) Unified Non-crossing Multiple Quantile Regressions Tree ... 6
• (9) K-Adaptive Recursive Partitioning ... 6
• 3. 연구개발결과의 중요성 ... 7
• 4. 참고문헌 ... 7
• 5. 연구성과 ... 8
• 끝페이지 ... 9