모델 독립적 방법과 모델 의존적 방법의 결합을 통한 기계학습 기반 특징 선택 기법

초록

현대 사회에서 데이터가 복잡해지고 방대해지면서 특징 선택 기법에 대한 연구가 활발히 진행되고 있다, 기존의 연구에서는 모델에 상관없이 같은 결과가 나오는 모델 독립적인 특징선택 기법과 선택된 모델에 대해 정확도를 최대화할 수 있는 모델 의존적인 특징 선택 기법중 한 가지만 적용을 시켜 시스템의 전체적인 성능이 하락하거나 만들고자 하는 시스템에가장 최적화된 특징을 선택하기 힘들다는 문제가 있다. 본 연구에서는 하이퍼 파라미터 최적화 기법인 Grid Search와 Random Search를 통해 수식을 형성하여 중요도 인자를 도출함으로써 모델 독립적인 방법과 모델 의존적인 방법을 양쪽의 장점을 모두 가질 수 있도록 결합하는 새로운 특징 선택 기법을 제안한다. 머신러닝에 자주 사용되는 Sonar data set과WPBC data set을 이용하여 제안된 구조에 대한 성능 평가를 진행한 결과 기존의 한 가지방법만 사용하였을 경우에 비해 최고 16%의 성능 향상을 보여 제안된 방법의 효과성을 증명한다.

키워드