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
질문

논문 기본 정보

자료유형
학술저널
저자정보
이경재 (건국대학교) 임현우 (건국대학교)
저널정보
한국태양에너지학회 한국태양에너지학회 논문집 한국태양에너지학회 논문집 제44권 제1호
발행연도
2024.2
수록면
59 - 75 (17page)

이용수

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

이 논문의 연구 히스토리 (2)

2024

건물 에너지 데이터 분석에서 결측치 처리방식에 따른 차원 축소 및 모델 예측 성능 비교
이경재 ,  임현우 한국태양에너지학회 논문집 2024.02 학술저널

2023

건물 에너지 데이터 결측치 처리방식에 따른 차원 축소 및 모델 예측 성능 분석
이경재 ,  임현우 한국태양에너지학회 학술대회논문집 2023.11 학술대회자료

초록· 키워드

오류제보하기
Handling missing values during data analysis is an important issue that directly affects the prediction performance of models and research results. However, research on the differences between the dimensionality reduction rate and model prediction performance is still lacking for building energy-related data. Therefore, this study compared the dimensionality reduction rate and model prediction performance by handling missing values in weather information datasets, which is related to building energy. The missing value-handling methods were divided into removal, k-nearest neighbors (KNN) imputation, and no handling. Dimensionality reduction methods were classified based on principal component analysis and feature selection using the model. Further, the eXtreme Gradient Boosting (XGBoost) algorithm, a gradient boosting method with its own missing data handling capabilities, was used. Consequently, few principal components were required to explain 95% of the variance in the raw data when the missing values were removed than when they were replaced with KNN. Moreover, the dimensionality reduction methods of model building and feature selection outperformed principal component analysis in terms of dimensionality reduction rate and model predictive accuracy. Particularly, the XGBoost model without missing values had the highest accuracy, suggesting that the missing-value handling method of XGBoost may be superior to conventional missing-value handling methods. These results may have important implications for selecting imputation methods in building energy data analysis, considering the effort and cost of missing value handling, and can significantly reduce the cost and effort of data preprocessing.
#XGBoost 모델(XGBoost) #기계학습(Machine learning) #주성분분석(Principal component analysis) #기상정보(Weather data) #결측치 처리방법(Missing values handling methods)

목차

Abstract
1. 서론
2. 방법론
3. 연구 결과
4. 차원축소 방식에 따른 모델 정확도 비교
5. 결론
REFERENCES

참고문헌 (19)

참고문헌 신청
Critical Data, M. I. T., Secondary Analysis of Electronic Health Records, Springer Nature, p. 427, 2016. google schola Van Buuren, S., Flexible Imputation of Missing Data, CRC press, 2018. google schola Chen, T. and Guestrin, C., Xgboost: A Scalable Tree Boosting System, In Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining, pp. 785-794, August 2016, San Francisco, CA, USA. google schola Mustika, W. F., Murfi, H., and Widyaningsih, Y., Analysis Accuracy of XGboost Model for Multiclass Classification-A Case Study of Applicant Level Risk Prediction for Life Insurance, In 2019 5th International Conference on Science in Information Technology (ICSITech), IEEE, pp. 71-77, October 2019, Yogyakarta, Indonesia. google schola Rusdah, D. A. and Murfi, H. XGBoost in Handling Missing Values for Life Insurance Risk Prediction, SN Applied Sciences, Vol. 2, pp. 1-10, 2020. google schola

이 논문의 저자 정보

이 논문과 함께 이용한 논문

결측치 비율이 높은 시계열 데이터 분석 및 예측을 위한 머신러닝 모델 구축
고방원 ,  한용희 한국정보전자통신기술학회 논문지 2024 .06
파의 질병 분류를 위한 딥러닝 모델 성능 비교
이민재 ,  박종석 ,  전상기 외 2명 한국정보과학회 학술발표논문집 2023 .12
Transformer와 LSTM 기반 시계열 전력사용량 데이터 예측 성능 비교 분석
김성엽 ,  이민혁 한국통신학회 학술대회논문집 2023 .11
설비의 예지 보전을 위한 Transformer 기반의 전력 품질 예측 및 이상 상황 탐지
이제혁 한국정보기술학회논문지 2023 .12
미세먼지 농도 예측을 위한 머신러닝 모델 성능 비교
윤정은 ,  이영재 한국통신학회 학술대회논문집 2023 .02

최근 본 자료

전체보기

댓글(0)

0

UCI(KEPA) : I410-151-24-02-089438866