퍼지 소속도 함수와 가중치 평균을 이용한 지도 학습 기반 분류기 설계 = Design of a Classifier Based on Supervised Learning Using Fuzzy Membership Function and Weighted Average

다국어 초록 (Multilingual Abstract)

'In this paper, to propose a classifier based on supervised learning, three types of fuzzy membership functions that determine the membership of each feature of classification data are proposed. In addition, the possibility of improving the classifier performance was suggested by using the average value calculation method used in the process of deriving the classification result using the average value of the membership degrees for each feature, not by using a simple arithmetic average, but by using a weighted average using various weights. To experiment with the proposed methods, three standard data sets were used: Iris, Ecoli, and Yeast. As a result of the experiment, it was confirmed that evenly excellent classification performance can be obtained for data sets of different characteristics. It was confirmed that better classification performance is possible through improvement of fuzzy membership functions and the weighted average methods.

국문 초록 (Abstract)

본 논문에서는 지도 학습 기반의 분류기 제안을 위해, 분류 데이터의 각 특징별 소속도를 결정하는 3가지 종류의 퍼지 소속도 함수를 제안하였다. 또한 각 특징별 소속도들의 평균값을 이용하여 분류 결과를 도출하는 과정에 사용되는 평균값 산출 기법을 단순 산술평균이 아닌 다양한 가중치를 활용한 가중치 평균을 이용함으로써 분류기 성능을 향상시킬 수 있는 가능성을 제시하였다. 제안한 기법들의 실험을 위해 Iris, Ecoli, Yeast의 3가지 표준 데이터 세트를 사용하였다. 실험 결과, 서로 다른 특성의 데이터 세트들에 대해서도 고르게 우수한 분류 성능이 얻어질 수 있음을 확인하였고, 기존에 발표된 다른 기법들에 의한 해당 데이터 세트들의 분류 성능과 비교했을 때, 퍼지 소속도 함수의 개선과 가중치 평균 기법의 개선을 통해 더욱 우수한 분류 성능이 가능함을 확인할 수 있었다.

참고문헌 (Reference)

1 우영운, "퍼지 가중치 평균 분류기에서 통계 정보를 활용한 가중치 설정 기법의 제안" 한국컴퓨터정보학회 14 (14): 9-15, 2009

2 이길원, "딥러닝 기반 제조 공장 내 AGV 객체 인식에 대한 연구" 한국정보통신학회 25 (25): 36-43, 2021

3 "Which Machine Learning Classifier Is the Best on 18 UCI Datasets?"

4 "UCI Machine Learning Repository"

5 H. J. Kim, "Pattern Recognition and Machine Learning" Jpub 2018

6 "K-fold Corss Validation"

7 A. Kandel, "Fuzzy Techniques in Pattern Recognition" John Wiley & Sons Inc 1982

8 S. Han, "Fuzzy Classifier and Bispectrum for Invariant 2-D Shape Recognition" 3 (3): 241-252, 2000

9 M. Granik, "Fake news detection using naive Bayes classifier" 900-903, 2017

10 D. Kharche, "Comparison of Different Data Set Using Various Classification Techniques with WEKA" 3 (3): 389-393, 2014

11 R. Cerri, "Comparing Methods for Multilabel Classification of Proteins Using Machine Learning Techniques" 5676 : 109-120, 2009

12 S. Behera, "Classification of EEG Signal Using SVM" 665 : 859-869, 2020

13 C. Augenstein, "Applying machine learning to big data streams : An overview of challenges" 25-29, 2017

14 H. Wang, "An overview on the roles of fuzzy set techniques in big data processing : Trends, challenges and opportunities" 118 : 15-30, 2017

15 M. Sewak, "An Overview of Deep Learning Architecture of Deep Neural Networks and Autoencoders" 17 (17): 182-188, 2020