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
- 허선
- 발행연도
- 2023
- 저작권
- 한양대학교 논문은 저작권에 의해 보호받습니다.
이용수1
이 논문의 연구 히스토리 (3)
2023
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
기계학습 모델을 구성하는 핵심 단계 가운데 특징 공학은 모델의 성능 상한을 결정하는 매우 중요한 단계이다. 그러나 일반적으로 특징 공학은 반복적이고 복잡하여 많은 시간이 소요된다. 또한, 다양한 산업에서 대규모 시계열 데이터가 빠르게 수집됨에 따라 이러한 데이터를 처리하기 위한 데이터 과학자는 부족한 상황이다.
본 논문에서는 자동 기계학습에서 특징 선택을 위한 의사결정나무 기반의 메타 모델을 제안한다. 제안하는 메타 모델은 일종의 특징 선택에 있어 웜 스타트 방법으로, 데이터마다 새롭게 특징 공학을 설계하지 않고도 좋을 것이라 예상되는 후보 특징 집합을 빠르게 탐색한다.
제안 방법은 UEA&UCR 시계열 분류 저장소에서 얻은 실제 시계열 데이터셋을 사용하여 비교했다. 그 결과 F1 점수에서 랜덤 서치보다 우수한 결과를 얻을 수 있었다. 이는 제안하는 방법이 기존 랜덤 서치보다 시계열 데이터의 분류 성능을 향상시키는 데 효과적이라는 것을 보여준다.
본 논문에서는 자동 기계학습에서 특징 선택을 위한 의사결정나무 기반의 메타 모델을 제안한다. 제안하는 메타 모델은 일종의 특징 선택에 있어 웜 스타트 방법으로, 데이터마다 새롭게 특징 공학을 설계하지 않고도 좋을 것이라 예상되는 후보 특징 집합을 빠르게 탐색한다.
제안 방법은 UEA&UCR 시계열 분류 저장소에서 얻은 실제 시계열 데이터셋을 사용하여 비교했다. 그 결과 F1 점수에서 랜덤 서치보다 우수한 결과를 얻을 수 있었다. 이는 제안하는 방법이 기존 랜덤 서치보다 시계열 데이터의 분류 성능을 향상시키는 데 효과적이라는 것을 보여준다.
목차
제1장 서론 11.1 연구 배경 11.2 연구의 필요성 41.3 연구의 목적과 논문의 구성 6제2장 특징 공학 및 관련 연구 72.1 특징 공학 72.2 시계열 분류 82.3 관련 연구 9제3장 시계열 특징과 메타 특징 123.1 시계열 특징 123.2 메타 특징 26제4장 메타 모델을 활용한 특징 선택 방법 324.1 착안점 324.2 메타 데이터 생성 334.3 메타 모델 374.4 특징 샘플링 39제5장 실험 및 결과 435.1 실험 설계 435.2 실험 결과 46제6장 결론 및 추후 연구 54
최근 본 자료
댓글(0)
0