일반화가법모형을 이용한 결합기법 연구

• 영문명: A Study on the Generalized Additive Models Using Ensemble Predictor
• 발행기관: 한국자료분석학회
• 저자명: 김하나(Hana Kim) 이성건(Seong-Keon Lee)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.15 No.5, 2519~2526쪽, 전체 8쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2013.10.30

국문 초록

많은 현실 문제에서 비선형 효과들을 효율적으로 설명할 수 있는 방법론으로 일반화가법모형이 이용된다. 일반화가법모형(generalized additive models; GAM)은 평활함수를 사용하여 비선형효과를 확인할 수 있으며, 이 평활함수(smoothing function)의 추정은 로컬스코어링 알고리즘(local scoring algorithm)을 통해서 이루어진다. 한편, 데이터마이닝 분야(data mining)에서 자료에 대한 예측에서 배깅(bagging), 랜덤포레스트(random forest) 등의 결합(ensemble) 예측 기법이 단일 예측보다 더 좋은 성능을 가질 수 있음이 많은 연구를 통해 증명되었다. 한편 이항 반응변수에서 일반화가법모형을 단일 분류자로 하는 결합 분류자는 De Bock(2010)에 의해 제안되었으며, 이 결합 분류자가 단일 분류자나 다른 결합 분류자보다 더 좋은 수행능력을 보이는 것을 추후 연구를 통해 증명하였다(De Bock, Van den Poel, 2012). 본 연구에서는 연속형 반응변수에서의 일반화가 법모형을 단일 예측자로 하는 결합 예측 기법을 제안하였고 모의실험 통해 제안한 결합기법의 우수성을 확인하였다.

영문 초록

The GLMs (generalized linear models) have been one of the common ways for demonstrating the interactions of cause and effect between parameters. The detailed methodology of GLMs is effectively able to describe the effects of explanatory variables. GLMs cover almost situations for response variables that belongs to exponential family of distributions but it can not capture nonlinear effects. However, nonlinear effects can be verified by smooth function which is computed by local scoring algorithm in the aspect of GAMs (generalized additive models). Many studies have shown that ensemble method such as bagging and random forests is better than the single predictor by making an accurate estimate. This study provides the ensemble method related to the base predictor derived from GAMs in with the continuous response variable. Also, the superiority of ensemble method is illustrated with simulation study.

목차

1. 서론

2. 일반화 가법모형

3. 결합 예측 분류자를 이용한 일반화가법모형

4. 예제를 통한 고찰

5. 결론

References

키워드

일반화 가법모형 데이터마이닝 결합기법 배깅 랜덤포레스트 generalized additive model data mining ensemble method bagging random forest