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
- 신현준, 신현정
- 발행연도
- 2019
- 저작권
- 아주대학교 논문은 저작권에 의해 보호받습니다.
이용수9
이 논문의 연구 히스토리 (3)
2019
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
데이터의 레코드 중에 하나 이상의 속성값이 없는 경우는 비일비재하다. 의외로 많은 경우에 있어서 데이터의 수 대비 결측치가 없는 완전레코드의 수의 비율이 적다. 이에 대하여 평균값, 최빈값, 그리고 중앙값 등으로 대체하는 통계적 방법이 가장 보편적으로 쓰이고 있다. 또한, 기계학습에서도 K-최근접이웃 탐색이나 의사결정나무 등을 활용한 결측치 추정방법들이 자주 활용된다. 전자는 각 속성의 대표값으로 대체하는 전역적인 방법인데 반해 후자는 해당 레코드의 유사한 레코드들의 속성값으로 대체하는 지역적인 방법이라 할 수 있다. 그러나 한 속성의 값이 대부분 결측된 경우라면 두 방법 모두 한계가 있어 활용하기에 적절치 않다. 이러한 한계를 극복하기 위하여 본 연구에서는 결측치의 속성과 상관성이 큰 이웃 속성들로부터 값을 추정하는 방법을 제안한다. 제안 방법은 속성 간 상관성을 기반으로 하기 때문에 한 속성의 대부분의 값이 결측이 되더라도 활용할 수 있다. 방법론으로는 속성들 간의 상관계수로 이루어진 상관 그래프를 만들고 그래프 기반 준지도학습을 적용한다. 결측치는 다른 속성들로부터 상관계수에 비례하여 전파되어 추정된다. 비교 실험 결과, 제안 방법이 기존 방법들보다 우수함을 보였다.
목차
제 1장 서론 1제 2장 정의 및 연구 배경 42.1 결측에 따른 데이터 구조 42.2 결측치 종류 및 처리 방법 82.3 결측치 대체 10제 3장 선행 연구 11제 4장 제안 방법론 164.1 그래프 이론 및 준지도학습 164.2 상관 속성 네트워크 구성 194.3 혼합 그래프 기반 준지도학습 324.4 결측치 대체 모델 35제 5장 실험 365.1 토이 실험 365.2 실험 설정 395.3 실험 결과 42제 6장 결론 47참고문헌 50
최근 본 자료
댓글(0)
0