다차원 특징 선택을 이용한 다중 모델 기반 조건부 머신러닝 기법
저자
발행사항
서울: 국민대학교 2022
학위논문사항
학위논문(박사)-- 국민대학교 일반대학원: 보안-스마트 전기자동차학과 보안-스마트 전기자동차 공학전공 2022
발행연도
2022
작성언어
한국어
DDC
629.2293 판사항(23)
발행국(도시)
서울
기타서명
A Conditional Multimodel Machine Learning Method with Multidimensional Feature Selection
형태사항
vii, 75 : 삽화 ; 26 cm
일반주기명
지도교수 : 오하령
참고문헌 : p. 65-70
소장기관
머신러닝(기계학습)은 사람이 개입하지 않고 기계가 명시하지 않은 동작을 데이터로부터 학습하여 실행할 수 있도록 하는 알고리즘과 기술을 일컫는다. 산업 전반적인 분야에서 이러한 머신러닝 기술을 접목시켜 이미지처리, 음성인식, 시계열 데이터 예측 등 많은 부분에서 사용된다.
기존 대다수의 머신러닝에서는 단일 모델을 이용하여 결과를 도출한다. 하지만 하나의 시스템에 대한 결과를 얻을 때 데이터의 특징, 머신러닝 모델, 입력 데이터의 종류 등 머신러닝을 구성하는 많은 요소에 따라 결과의 정확도가 다르게 도출된다. 이러한 현상에 착안하여 본 논문에서는 하나의 시스템에 대한 입력 데이터의 특징을 분석하고 이를 조건별로 구분하여 해당 특징의 조건에 부합하는 머신러닝 모델을 선정 후 조건부 학습을 통하여 전체 시스템의 머신러닝 정확도를 향상하는 방법에 대하여 제안한다.
기존의 단일 머신러닝 모델을 이용하여 결과를 예측, 도출하는 경우에는 하나의 머신러닝 모델에 입력 데이터를 전달하고 전달받은 모든 입력 데이터에 대한 학습을 진행한다. 이때 결과에 연관도가 높은 특징을 기준으로 하여 여러 구간의 데이터로 구분하였을 때 특정 구간의 데이터에 대한 학습에서 다른 구간의 데이터가 학습을 저해하여 특정 구간의 정확도가 저하될 수 있다. 이에 따라 전체 예측 정확도를 저하되는 문제가 발생할 수 있다. 이러한 문제점을 해결하기 위해 본 논문에서는 특정 특징의 조건을 만족하는 입력 데이터를 분류하고, 분류된 입력 데이터로 조건별로 학습하는 모델을 다르게 하여 조건부 학습을 한다. 그리고 특징의 조건에 특화된 모델을 이용하여 각 조건에 부합하는 입력 데이터에 대한 결과를 도출하고 하나의 출력 데이터로 병합하는 과정을 거쳐 최종 결과를 도출한다. 이렇게 전체 시스템을 여러 부분으로 나누어 해당 부분에 특화된 모델로 학습하고 결과를 도출함으로써 조건에 대한 부분별 결과 정확도를 향상하고 이에 따라 전체 시스템의 정확도를 향상시킬 수 있다.
마지막으로 본 논문에서 제안한 방법을 이용하여 시계열 데이터 중 유통․물류시설의 전력사용량 데이터를 예측하여 기존의 보편적인 방법을 이용한 예측 정확도와 비교 분석하였다. 우선 유통․물류시설의 전력사용량 예측에 전력사용량과 연관이 있을 것으로 예측되는 모든 특징을 입력 데이터로 하여 전력사용량을 측정한 후 정확도 향상을 위해 전력사용량에 영향을 많이 미치는 특징을 선정한다. 사용되는 입력 데이터의 특징 중 가장 영향을 많이 미치는 특징에 대하여 랜덤 포레스트를 이용하여 분류하고 영향을 많이 미치는 순서로 특징을 정리하였다. 전력사용량에 예측에 영향을 많이 미치는 3개의 특징인 “기온”, “습도”, “휴점 여부”를 선정하고 선정된 특징을 포함하여 정확도가 높은 특징 조합을 사용하여 전력사용량을 예측한다. 하나의 모델만을 이용하여 결과를 예측하는 기존의 방식을 이용하여 1년간의 일일 전력사용량을 예측하고 제안하는 방법을 이용하여 결과에 가장 많은 영향을 미치는 특징인 “기온”을 기준으로 조건부 학습을 통해 전력사용량을 예측하여 비교한다.
Machine learning refers to algorithms and technologies that allow a machine to learn and execute actions that are not specified by the machine from data without human intervention. It is used in many areas such as image processing, voice recognition, and time series data prediction by combining these machine learning technlogies in the whole industry.
In most machine learning, results are derived using a single model. However, when obtaining results for one system, the accuracy of the results is derived differently depending on many factors that make up machine learning, such as the characteristics of the data, machine learning model, and the type of input data. Based on this phenomenon, this paper analyzes the feature of input data for one system, divides them by condition, selects a machine learning model that meets the conditions of the feature, and proposes a method to improve the machine learning accuracy of the entire system.
When predicting and deriving results using the existing single machine learning model, input data is delivered to one machine learning model and all received data is learned. At this time, when dividing data to several dataset based on the feature which has high relevance with result, data of other dataset can hinder learning and thus accuracy of a specific dataset learning results may be degraded. Accordingly, a problem of lowering the overall prediction accuracy may occur. To solve this problem, in this paper, we classify input data that satisfy the conditions of a particular feature, and conditional learning is performed by varying the model that learns by condition with the classified input data. In addition, the final result is derived through the process of deriving the result for the input data that meets each condition using an appropriate model in the conditions of the feature, and merging it into one output data. By dividing the entire system into several parts and learning with an appropriate model, and deriving results, it is possible to improve the accuracy of the results for each part of the condition and thus improve the accuracy of the entire system.
Finally, the power consumption data of discount store among time series data was predicted using the method proposed in this paper, and the prediction accuracy using the existing common method was compared and analyzed. First, all features predicted to be related to power consumption of a discount store are measured as input data, and then features that have a significant impact on power usage are selected to improve accuracy. Among the feature of the input data used, the feature that have the most influence were classified using a random forest, and the characteristics were organized in the order of having a lot of influence. Three features that greatly influence the prediction of power usage: "temperature", "humidity", and "rest status" are selected, and power usage is predicted using a combination of features with high accuracy including the selected characteristics. Using the existing method of predicting results using only one model, the power usage is predicted and compared based on the "temperature" feature that has the most impact on the result using the proposed method.
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)