향상된 배깅 알고리즘에 관한 연구

Abstract

모든 분류기법의 목적은 주어진 데이터를 이용하여 목표변수를 가장 잘 예측할 수 있는 분류자를 형성하는 것이다. 예측력을 평가하는데 있어서 단일 분류자(single classifier)보다 앙상블(ensemble)방법을 이용하여 결합한 다중 분류자(multiple classifiers)가 더 우수한 수행능력을 보여주고 있다는 것은 경험적으로 증명되어 왔다. 그 중 배깅(bagging)은 단일분류자보다 예측력과 안정성이 뛰어나고 다른 다중 분류자에 비해 그 이론을 직관적으로 이해하기 쉬우며, 모형을 생성하는 과정이 쉽기 때문에 널리 사용되고 있다. 앙상블 기법을 이용하여 예측 알고리즘을 사용하는 가장 큰 이유는 변동성이 작으며 예측력이 뛰어난 알고리즘을 구축하기 위함이다. 그러나 대표적인 배깅 알고리즘들은 여전히 자료의 변동에 따라 예측의 정확도가 떨어지고 변동성이 커 다양한 형태의 자료에 대한 분류를 수행하는데 한계가 있다. 본 논문에서는 단일 분류방법론들을 결합하는 새로운 방법을 제안함으로써 예측의 정확성을 높이고 변동성을 줄이는 향상된 배깅 방법에 대한 연구를 하고자 한다. 기존의 배깅 알고리즘과 본 논문에서 제안한 방법을 실제자료에 적용시켜 향상된 정도를 파악함으로써 배깅 알고리즘이 보다 개선되었는지 여부를 비교 연구한다.