KCI등재
오류 라벨을 포함한 분류모형의 강건성 모의실험연구 = A Simulation Study on Robustness of Classification Model with Mislabeled Data
저자
발행기관
학술지명
Journal of the Korean Data Analysis Society(Journal of The Korean Data Analysis Society)
권호사항
발행연도
2023
작성언어
-주제어
KDC
310
등재정보
KCI등재
자료형태
학술저널
수록면
141-148(8쪽)
DOI식별코드
제공처
분류모형의 정확도 및 성능을 높이기 위해서는 우선 데이터의 품질이 담보되어야 한다. 이러한 데이터의 품질에 영향을 주는 것으로는 데이터의 정확도, 결측값의 비율, 모집단 대표성 등의 다양한 요소가 있으며, 본 연구에서는 오류라벨(mislabel)이 있는 데이터에 대한 분류모형의 강건성(robustness)에 대해 살펴보고자 한다. 오류라벨은 데이터를 통해 분류하고자 하는 명목형(nominal) 값인 라벨이 잘못된 것을 의미한다. 우리가 오류라벨에 관심을 갖는 이유는, 다른 일반적인 측정 오류보다 라벨오류가 모형의 성능을 현저히 떨어뜨리기 때문이다. 본 연구에서는 오류라벨이 존재하는 데이터에 대한 다양한 분류방법에 대해 강건성을 검토하였다. 통계적 모형기반의 방법에서는 피셔의 선형판별모형(LDA), 이차판별모형(QDA), 로지스틱 회귀모형을 고려하였고, 알고리즘(algorithm) 기반의 방법에서는 SVM(support vector machine), 부스팅(boosting)을 비교하였다. 모의실험을 통한 비교 결과, 오류라벨의 다양한 상황을 가정한 데이터에서 통계적 모형기반 방법론이 강건성의 면에서는 우수한 결과를 보이고 있음을 확인하였다.
더보기In order to increase the accuracy and performance of classification models, the quality of data must be guaranteed. There are various factors that affect the quality of these data, such as measurement accuracy, missing value, and sampling biases. This study focuses on the robustness of the classification model for mislabeled data. The reason we are interested in mislabeled data is that it significantly degrades the performance of the model more than other common measurement errors. In this study, the efficiency of various classification methods for data with mislabels is reviewed. Fisher's linear discriminant analysis model (LDA), quadratic discriminant analysis model (QDA), and logistic regression model were considered in the statistical model-based method, and SVM (support vector machine) and boosting are compared in the algorithm-based method. As a result of simulation study, it is found that the statistical model based approaches show better results in terms of robustness in the data assuming various situations of mislabels.
더보기분석정보
서지정보 내보내기(Export)
닫기소장기관 정보
닫기권호소장정보
닫기오류접수
닫기오류 접수 확인
닫기음성서비스 신청
닫기음성서비스 신청 확인
닫기이용약관
닫기학술연구정보서비스 이용약관 (2017년 1월 1일 ~ 현재 적용)
학술연구정보서비스(이하 RISS)는 정보주체의 자유와 권리 보호를 위해 「개인정보 보호법」 및 관계 법령이 정한 바를 준수하여, 적법하게 개인정보를 처리하고 안전하게 관리하고 있습니다. 이에 「개인정보 보호법」 제30조에 따라 정보주체에게 개인정보 처리에 관한 절차 및 기준을 안내하고, 이와 관련한 고충을 신속하고 원활하게 처리할 수 있도록 하기 위하여 다음과 같이 개인정보 처리방침을 수립·공개합니다.
주요 개인정보 처리 표시(라벨링)
목 차
3년
또는 회원탈퇴시까지5년
(「전자상거래 등에서의 소비자보호에 관한3년
(「전자상거래 등에서의 소비자보호에 관한2년
이상(개인정보보호위원회 : 개인정보의 안전성 확보조치 기준)개인정보파일의 명칭 | 운영근거 / 처리목적 | 개인정보파일에 기록되는 개인정보의 항목 | 보유기간 | |
---|---|---|---|---|
학술연구정보서비스 이용자 가입정보 파일 | 한국교육학술정보원법 | 필수 | ID, 비밀번호, 성명, 생년월일, 신분(직업구분), 이메일, 소속분야, 웹진메일 수신동의 여부 | 3년 또는 탈퇴시 |
선택 | 소속기관명, 소속도서관명, 학과/부서명, 학번/직원번호, 휴대전화, 주소 |
구분 | 담당자 | 연락처 |
---|---|---|
KERIS 개인정보 보호책임자 | 정보보호본부 김태우 | - 이메일 : lsy@keris.or.kr - 전화번호 : 053-714-0439 - 팩스번호 : 053-714-0195 |
KERIS 개인정보 보호담당자 | 개인정보보호부 이상엽 | |
RISS 개인정보 보호책임자 | 대학학술본부 장금연 | - 이메일 : giltizen@keris.or.kr - 전화번호 : 053-714-0149 - 팩스번호 : 053-714-0194 |
RISS 개인정보 보호담당자 | 학술진흥부 길원진 |
자동로그아웃 안내
닫기인증오류 안내
닫기귀하께서는 휴면계정 전환 후 1년동안 회원정보 수집 및 이용에 대한
재동의를 하지 않으신 관계로 개인정보가 삭제되었습니다.
(참조 : RISS 이용약관 및 개인정보처리방침)
신규회원으로 가입하여 이용 부탁 드리며, 추가 문의는 고객센터로 연락 바랍니다.
- 기존 아이디 재사용 불가
휴면계정 안내
RISS는 [표준개인정보 보호지침]에 따라 2년을 주기로 개인정보 수집·이용에 관하여 (재)동의를 받고 있으며, (재)동의를 하지 않을 경우, 휴면계정으로 전환됩니다.
(※ 휴면계정은 원문이용 및 복사/대출 서비스를 이용할 수 없습니다.)
휴면계정으로 전환된 후 1년간 회원정보 수집·이용에 대한 재동의를 하지 않을 경우, RISS에서 자동탈퇴 및 개인정보가 삭제처리 됩니다.
고객센터 1599-3122
ARS번호+1번(회원가입 및 정보수정)