지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 저널정보
- 한국자료분석학회 Journal of The Korean Data Analysis Society Journal of The Korean Data Analysis Society 제15권 제4호
- 발행연도
- 2013.1
- 수록면
- 1,883 - 1,892 (10page)
이용수
초록· 키워드
오류제보하기
반응/미반응과 같은 이분형(binary) 목표변수를 갖는 모집단에서 모형개발을 위한 데이터마트를 형성할 때 반응/미반응 구성비는 구축된 모형의 성능에 영향을 준다. 따라서 목표변수의 특정 범주가 상대적으로 희소한 경우 모형 구축을 위하여 데이터마트를 형성할 때, 목표변수 각 범주 빈도의 수적 형평성을 맞추는 것이 바람직하다. 이를 과대표본추출(oversampling)이라고 한다. 본 연구는 이에 대한 실험적 연구로 과대표본추출의 구성비를 1:1에서 1:20까지 다양하게 구성하여 분류기준값(cut-off) 별로 최적모형을 찾아보았다. 특히 앙상블 기법인 부스팅(boosting) 중 아다부스트(AdaBoost)와 랜덤포레스트(random forests) 기법을 의사결정나무 및 회귀모형과 함께 비교하였다. 또한 교차타당성(cross-validation)을 통한 검증을 통하여 과대표본추출의 적절한 분류기준값과 구성비를 찾아보았다. 분류기준값 0.10에서 구성비가 1:20, 1:16 등 불균형이 심할 때는 로지스틱회귀분석이 좋은 결과를 주었으며 그 외의 구성비에서는 아다부스트가 가장 좋은 결과를 주었다. 분류기준값 0.20에서는 구성비의 불균형이 적을 때는 아다부스트가 좋은 결과를 주었으며 구성비의 불균형이 클 때는 의사결정나무가 좋은 결과를 주었다. 분류기준값 0.3에서 0.5까지에서는 로지스틱회귀분석과 랜덤포레스트가 좋은 결과를 주고 있으며 의사결정나무는 상대적으로 좋지 않은 결과를 보였다.
목차
등록된 정보가 없습니다.
참고문헌 (15)
참고문헌 신청
Breiman, L. / 2001 / Random forests / Machine Learning 45 : 5 ~ 32
Drucker, D. / 1993 / Boosting performance in neural networks / International Journal of Pattern Recognition and Artificial Intelligence 7 (4) : 705 ~ 719
Freund, Y. / 1995 / Boosting a weak learning algorithm by majority / Information and Computation 121 (2) : 256 ~ 285
Freund, Y. / 1996 / Experiments with a new Boosting algorithm / Proceedings of the Thirteenth International Conference on Machine Learning : 148 ~ 156
Hwang, S. / 2012 / Target/Non-target ratio comparison for oversampling using ensemble techniques / Master / Korea University
Drucker, D. / 1993 / Boosting performance in neural networks / International Journal of Pattern Recognition and Artificial Intelligence 7 (4) : 705 ~ 719
Freund, Y. / 1995 / Boosting a weak learning algorithm by majority / Information and Computation 121 (2) : 256 ~ 285
Freund, Y. / 1996 / Experiments with a new Boosting algorithm / Proceedings of the Thirteenth International Conference on Machine Learning : 148 ~ 156
Hwang, S. / 2012 / Target/Non-target ratio comparison for oversampling using ensemble techniques / Master / Korea University
이 논문의 저자 정보
최근 본 자료
댓글(0)
0