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
- 학위논문
- 저자정보
- 지도교수
- 함유근
- 발행연도
- 2020
- 저작권
- 건국대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
현실 세계의 다양하고 복잡한 문제들을 예측하는 것은 최근에 중요한 과제로 떠올랐다. 이러한 예측 모형화 과정에서 중요한 요소 중 하나는 가치 있는 정보의 수집 및 선택이다. 특히 경제 분야에서는 너무 많은 정보가 수집되고 있기에 선택의 문제는 중요한 요소이다. 변수선택은 많은 변수 조합 중 최적의 조합을 선택하는 일련의 과정이다. 최적의 조합을 선택하는 것은 예측의 정확성을 가장 높게 해주는 유효한 변수들을 뽑아냄과 동시에 유효성이 떨어지는 변수들을 제거하는 것을 말한다. 이러한 과정을 통해 최적의 조합을 선택하게 된다.
변수를 선택하는 것은 아무리 객관성을 유지하려 해도 불가피하게 분석가의 주관이 개입되기에 가능한 한 객관적인 결론을 얻을 수 있도록 모형의 설명력과 예측 정확도 측면을 기준으로 독립변수들의 최적 조합을 선택하고자 하였다.
본 연구의 목표는 단일 모형에서 변수를 선택하는 것에서 확장하여 선형성(linearity)을 보여주는 상관 분석, 비선형성(nonlinearity)을 파악할 수 있는 서포트 벡터 머신(SVM), 다중공선성(multicollinearity)을 보완하는 라쏘(LASSO), 그리고 나무모형 계열 알고리즘인 배깅(BAGGING)을 포함한 4가지 방법을 결합한 새로운 모형으로 변수를 추출하는 것이었다.
위에서 언급한 각각의 4가지 방법론을 사용해 각각에서 선택된 변수들의 순위에 가중치를 임의로 곱하는 “A Weighted Sum Ranking”의 방법을 사용하여 정확도를 높일 수 있는 새로운 모형을 만들었다. 결론적으로는 “A Weighted Sum Ranking”을 통한 새로운 모형의 성능을 분석한 결과, 하나의 단일 모형보다 다양한 방법론을 결합한 새로운 모형이 훨씬 더 예측력이 뛰어남을 알 수 있었다.
변수를 선택하는 것은 아무리 객관성을 유지하려 해도 불가피하게 분석가의 주관이 개입되기에 가능한 한 객관적인 결론을 얻을 수 있도록 모형의 설명력과 예측 정확도 측면을 기준으로 독립변수들의 최적 조합을 선택하고자 하였다.
본 연구의 목표는 단일 모형에서 변수를 선택하는 것에서 확장하여 선형성(linearity)을 보여주는 상관 분석, 비선형성(nonlinearity)을 파악할 수 있는 서포트 벡터 머신(SVM), 다중공선성(multicollinearity)을 보완하는 라쏘(LASSO), 그리고 나무모형 계열 알고리즘인 배깅(BAGGING)을 포함한 4가지 방법을 결합한 새로운 모형으로 변수를 추출하는 것이었다.
위에서 언급한 각각의 4가지 방법론을 사용해 각각에서 선택된 변수들의 순위에 가중치를 임의로 곱하는 “A Weighted Sum Ranking”의 방법을 사용하여 정확도를 높일 수 있는 새로운 모형을 만들었다. 결론적으로는 “A Weighted Sum Ranking”을 통한 새로운 모형의 성능을 분석한 결과, 하나의 단일 모형보다 다양한 방법론을 결합한 새로운 모형이 훨씬 더 예측력이 뛰어남을 알 수 있었다.
목차
제1장 서론 1제1절 연구배경 및 연구목적 1제2장 변수선택의 전통적인 방법론 3제1절 변수 선택(Variable Selection)법 개요 및 정의 3제2절 전통적인 통계 모형들의 변수선택법과 그 한계 51. 상관 분석(Correlation Analysis) 52. 배깅(Bagging, Bootstrap Aggregating) 63. 라쏘(LASSO, Least Absolute Shrinkage & Selection Operator) 94. 서포트 벡터 머신(SVM, Support Vector Machine) 10제3절 예측 모형 방법론 151. 회귀분석(Regression) 152. 신경망 분석(Neural Network) 16제3장 실제 데이터 적용 및 평가 19제1절 분석 데이터 설명 191. KOSPI 200 지수 관련 데이터(KOSPI 200 Index) 19제2절 가중합 순위(A Weighted Sum Ranking) 방법론 211. 가중합 순위(A Weighted Sum Ranking)의 정의 232. 가중합 순위(A Weighted Sum Ranking)를 만들기 위한 방법론별 가중치 24제3절 변수선택 평가 과정 271. 가중합 순위(A Weighted Sum Ranking)의 평가 지표 27제4절 변수선택 평가 결과 29제4장 결론 요약 및 제언 33참고문헌 36ABSTRACT 38
최근 본 자료
댓글(0)
0