메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색

논문 기본 정보

자료유형
학술저널
저자정보
저널정보
한국자료분석학회 Journal of The Korean Data Analysis Society Journal of The Korean Data Analysis Society 제11권 제1호
발행연도
2009.1
수록면
381 - 389 (9page)

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색

초록· 키워드

오류제보하기
선형판별분석은 로지스틱회귀와 함께 현실의 문제에 자주 사용되는 분류기법이다. 그러나 고차원 자료에 대하여 선형판별분석은 몇 가지 단점이 있다. 선형판별분석은 변수 선택 기능이 없기 때문에 그 최종모형의 해석력이 떨어질 수 있고 잡음변수가 많아지면 예측력 또한 떨어질 수 있다. Bishop(1995)에 따르면 이항분류(binary classification)문제에서 선형판별분석과 출력변수를 적절히 새로 코딩한 회귀분석의 해가 동일하다. 본 논문에서는 이러한 결과를 이용하여 라쏘(least absolute shrinkage and selection operator, LASSO) 회귀를 통한 변수선택을 연구한다. 기존 회귀분석의 최적 부분집합 선택법(best subset selection)은 불연속적으로 부분집합의 선택이 이루어지는 반면 LASSO 회귀는 연속적으로 선택을 한다. 특히 본 논문의 방법은 실제 판별함수가 성근(sparse) 경우에 성근 해를 준다. 따라서 이 방법은 변별력 있는 변수의 개수가 작은 고차원 자료에서 효과적일 것으로 기대된다. 모의실험 및 실제 자료 분석을 통하여 이 방법이 잡음 변수가 많은 경우에 설명력 있는 변수들을 효과적으로 잘 선택하고 선형판별분석과 최적 부분집합 선택법에 비해 더 효율적임을 보였다.
#고차원 자료 #분류 #최적 부분집합 선택법 #LASSO. #Best subset selection #classification #high dimensional data #LASSO.

목차

등록된 정보가 없습니다.

참고문헌 (12)

참고문헌 신청
Bishop, C. M / 1995 / Neural Networks for Pattern Recognition / Clarendon Press google schola Clemmensen, L / 2008 / Sparse Discriminant Analysis google schola Duan, K.-B / 2007 / One-Versus-One and One-Versus-All Multiclass SVM-RFE for Gene Selection in Cancer Classification / Springer google schola Hastie, T / 2001 / The Elements of Statistical Learning: Data Mining, Inference, and Prediction / Springer google schola Meier, L / 2008 / The group lasso for logistic regression / Journal of the Royal Statistical Society, Series B 70 : 53 ~ 71 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0