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
- 강필성
- 발행연도
- 2021
- 저작권
- 고려대학교 논문은 저작권에 의해 보호받습니다.
이용수7
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
데이터에서 관측치가 일정한 경우 일반적으로 차원이 높을수록 예측 정확성이 급격히 감소한다. 이러한 문제를 해결하기 위한 방법으로 크게 관측치를 늘리거나 차원을 줄이는 방법이 있다. 관측치를 늘리려면 상대적으로 많은 시간과 비용이 소요되므로 차원을 줄여 예측 정확성을 확보하는 것이 일반적으로 더 효율적이다. 본 연구에서는 본래 데이터의 변수 성질을 유지하면서 가장 널리 사용되는 차원축소 방법 중 하나인 변수선택 기법을 다루고자 한다. 변수 선택(variable selection)은 예측모형을 학습하여 예측모형에서 유의미한 변수들만 선택함으로써 모델의 성능을 향상하고 관리의 효율성 증대를 추구하는 것을 목적으로 한다. 본 연구에서는 실제 산업 현장에서 가장 널리 사용되고 있는 다중선형회귀분석 기법에 대해 여러 가지 변수 선택 기법을 적용했을 때의 결과를 비교하고 상황에 따른 각 변수 선택 기법의 특징을 분석하고자 한다. 이를 위해서 전진 선택법, 후방 소거법, 단계적 선택법, 유전자 알고리즘, Ridge 회귀, LASSO 회귀, Elastic Net 등 총 일곱 가지의 변수 선택 기법을 총 49개의 회귀분석 데이터에 적용하였으며 모델의 예측 정확도 측면과 변수 선택의 효율성 측면을 중심으로 각 기법들을 비교 및 분석하였다.
목차
제1장 서론 1제2장 본론 42.1. 다중선형회귀분석(Multiple Linear Regression) 4가. 회귀분석 4나. 다중선형회귀분석(multivariate linear regression; MLR) 5다. 최소제곱법(ordinary least square; OLS) 5라. 다중공선성 62.2. 변수선택 기법(Variable Selection) 6가. 전진 선택법(Forward Selection) 7나. 후방 소거법(Backward Elimination) 8다. 단계적 선택법(Stepwise Selection) 9라. 유전 알고리즘(Genetic Algorithm; GA) 10마. Ridge 회귀(Ridge Regression) 12바. Lasso(Least Absolute Shrinkage and Selection Operator) 12사. Elastic Net 132.3. 실험 설계 142.4. 변수선택 기법 평가 18제3장 결론 25
최근 본 자료
댓글(0)
0