분류 정확도 향상을 위한 특징 벡터의 effectiveness 요소 기반의 가중치 SVM 분류기 연구

초록

본 논문은 최근 컴퓨터 비전 및 기계학습 분야에 활용되는 분류기 중 가장 널리 이용되는 SVM 분류기의 성능 향상을 위한 새로운 알고리즘을 제안한다. SVM 분류기의 기본적 개념은 분류함수에 대한 입력 특징 벡터의 soft 마진 비용을 최소화하는 것으로 정의할 수 있다. 이러한 접근법으로부터 구축된 분류 함수의 모델은 주어진 학습 데이터에 대한 효과적인 결정 경계를 제공하지만, 각 특징 벡터와 주변 특징 벡터 간의 구조적·분포적 특성을 반영할 수 없어 이상점에 의해 영향을 받게 된다. 본 연구에서는 이러한 SVM분류기가 갖는 단점을 보완하기 위해 각 특징 벡터의 분포에 따른 가중치를 부여하여 주변 특징 벡터들과의 나타나는 분포적 특징을 반영하도록 하였다. 또한 본 연구에서 정의한 effectiveness 요소를 통해 분류 모델의 결정 경계를 보다 효과적으로 선택할 수 있도록 하였다. 제안한 알고리즘의 성능 검증을 위해 MNIST 데이터에 대한 다 부류 분류를 수행하였으며, 그 결과 기존의 SVM 분류기보다 향상된 분류 성능을 달성하였다.