RISS 학술연구정보서비스

검색
자동완성 버튼

인기 검색어

    다국어 입력
    あ ぁ か が さ ざ た だ な は ば ぱ ま や ゃ ら わ ゎ ん い ぃ き ぎ し じ ち ぢ に ひ び ぴ み り う ぅ く ぐ す ず つ づ っ ぬ ふ ぶ ぷ む ゆ ゅ る え ぇ け げ せ ぜ て で ね へ べ ぺ め れ お ぉ こ ご そ ぞ と ど の ほ ぼ ぽ も よ ょ ろ を
    ア ァ カ サ ザ タ ダ ナ ハ バ パ マ ヤ ャ ラ ワ ヮ ン イ ィ キ ギ シ ジ チ ヂ ニ ヒ ビ ピ ミ リ ウ ゥ ク グ ス ズ ツ ヅ ッ ヌ フ ブ プ ム ユ ュ ル エ ェ ケ ゲ セ ゼ テ デ ヘ ベ ペ メ レ オ ォ コ ゴ ソ ゾ ト ド ノ ホ ボ ポ モ ヨ ョ ロ ヲ ―

    http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.

    변환된 중국어를 복사하여 사용하시면 됩니다.

    예시)
    • 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
    • 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
    ㅥ ㅦ ㅧ ㅨ ㅩ ㅪ ㅫ ㅬ ㅭ ㅮ ㅯ ㅰ ㅱ ㅲ ㅳ ㅴ ㅵ ㅶ ㅷ ㅸ ㅹ ㅺ ㅻ ㅼ ㅽ ㅾ ㅿ ㆀ ㆁ ㆂ ㆃ ㆄ ㆅ ㆆ ㆇ ㆈ ㆉ ㆊ ㆋ ㆌ ㆍ ㆎ
    Α Β Γ Δ Ε Ζ Η Θ Ι Κ Λ Μ Ν Ξ Ο Π Ρ Σ Τ Υ Φ Χ Ψ Ω α β γ δ ε ζ η θ ι κ λ μ ν ξ ο π ρ σ τ υ φ χ ψ ω
    á à Á À é è É È ç Ç ê
    Ä Ö Ü ä ö ü ß
    ְ ֳ ֲ ֱ ָ ַ ֵ ֶ ִ ֹ ּ ֻ ׂ ׁ ּ פ ם ן ו ט א ר ק ף ך ל ח י ע כ ג ד ש ץ ת צ מ נ ה ב
    ‘ ’ “ ” 〔 〕 〈 〉 「 」 『 』 【 】 ＂ （ ） ［ ］ ｛ ｝
    ± × ÷ ≠ ≤ ≥ ∞ ∴ ♂ ♀ ∠ ⊥ ⌒ ∂ ∇ ≡ ≒ ≪ ≫ √ ∽ ∝ ∵ ∫ ∬ ∈ ∋ ⊆ ⊇ ⊂ ⊃ ∪ ∩ ∧ ∨ ￢ ⇒ ⇔ ∀ ∃ ∮ ∑ ∏ ＋ － ＜ ＝ ＞
    、 。 · ‥ … ¨ 〃 ― ∥ ＼ ∼ ´ ～ ˇ ˘ ˝ ˚ ˙ ¸ ˛ ¡ ¿ ː ！ ＇ ， ． ／ ： ； ？ ＾ ＿ ｀ ｜
    ½ ⅓ ⅔ ¼ ¾ ⅛ ⅜ ⅝ ⅞ ¹ ² ³ ⁴ ⁿ ₁ ₂ ₃ ₄
    Æ Ð Ħ IJ Ł Ø Œ Þ Ŧ Ŋ æ đ ð ħ ı ij ĸ ŀ ł ø œ ß þ ŧ ŋ ʼn
    А Б В Г Д Е Ё Ж З И Й К Л М Н О П Р С Т У Ф Х Ц Ч Ш Щ Ъ Ы Ь Э Ю Я а б в г д е ё ж з и й к л м н о п р с т у ф х ц ч ш щ ъ ы ь э ю я
    ′ ″ ℃ Å ￠ ￡ ￥ ¤ ℉ ‰ ＄ ％ Ｆ ￦ ㎕ ㎖ ㎗ ℓ ㎘ ㏄ ㎣ ㎤ ㎥ ㎦ ㎙ ㎚ ㎛ ㎜ ㎝ ㎞ ㎟ ㎠ ㎡ ㎢ ㏊ ㎍ ㎎ ㎏ ㏏ ㎈ ㎉ ㏈ ㎧ ㎨ ㎰ ㎱ ㎲ ㎳ ㎴ ㎵ ㎶ ㎷ ㎸ ㎹ ㎀ ㎁ ㎂ ㎃ ㎄ ㎺ ㎻ ㎽ ㎾ ㎿ ㎐ ㎑ ㎒ ㎓ ㎔ Ω ㏀ ㏁ ㎊ ㎋ ㎌ ㏖ ㏅ ㎭ ㎮ ㎯ ㏛ ㎩ ㎪ ㎫ ㎬ ㏝ ㏐ ㏓ ㏃ ㏉ ㏜ ㏆
    § ※ ☆ ★ ○ ● ◎ ◇ ◆ □ ■ △ ▽ → ← ↑ ↓ ↔ 〓 ◁ ◀ ▷ ▶ ♤ ♠ ♡ ♥ ♧ ♣ ⊙ ◈ ▣ ◐ ◑ ▒ ▤ ▥ ▨ ▧ ▦ ▩ ♨ ☏ ☎ ☜ ☞ † ‡ ↕ ↗ ↙ ↖ ↘ ♭ ♩ ♪ ♬ ㉿ ㈜ № ㏇ ™ ㏂ ㏘ ℡ ＃ ＆ ＊ ＠ ª º
    ⅰ ⅱ ⅲ ⅳ ⅴ ⅵ ⅶ ⅷ ⅸ ⅹ Ⅰ Ⅱ Ⅲ Ⅳ Ⅴ Ⅵ Ⅶ Ⅷ Ⅸ Ⅹ
    ا ب ت ث ج ح خ د ذ ر ز س ش ص ض ط ظ ع غ ف ق ک ل م ن ه و ی
    닫기

    Logistic bagging using feature incrementation

    한글로보기

    https://www.riss.kr/link?id=T11237155

    • 0

      상세조회

    • 0

      다운로드
    서지정보 열기
    • 내보내기
    • 내책장담기
    • 공유하기
    • 오류접수
    인용문이 복사되었습니다.

    부가정보

    다국어 초록 (Multilingual Abstract) kakao i 다국어 번역

    영어
    한국어
    One of the most important issues in classification is to improve the accuracy of the prediction model. Therefore, many researches have focused on this issue recently. Ensemble method that usually referred as 'perturb and combine' strategy has gained great popularity. In this thesis, a new ensemble method called 'Logistic Bagging' is proposed, then compared with other methods such as Bagging, Double Bagging, and Logistic regression using real data set and simulations. It was found that the Logistic Bagging method outperformed Bagging and Logistic regression. It also showed better accuracy than Double Bagging for non-normal data. However, for normal data, Logistic Bagging and Double Bagging method didn't show significant difference. Finally, the bias-variance decomposition revealed that the new method reduced the variance more compared to ensemble methods such as Bagging and Double Bagging. On the other hand, it had similar variance but smaller bias when compared to the Logistic regression.
    번역하기

    One of the most important issues in classification is to improve the accuracy of the prediction model. Therefore, many researches have focused on this issue recently. Ensemble method that usually referred as 'perturb and combine' strategy has gained g...

    One of the most important issues in classification is to improve the accuracy of the prediction model. Therefore, many researches have focused on this issue recently. Ensemble method that usually referred as 'perturb and combine' strategy has gained great popularity. In this thesis, a new ensemble method called 'Logistic Bagging' is proposed, then compared with other methods such as Bagging, Double Bagging, and Logistic regression using real data set and simulations. It was found that the Logistic Bagging method outperformed Bagging and Logistic regression. It also showed better accuracy than Double Bagging for non-normal data. However, for normal data, Logistic Bagging and Double Bagging method didn't show significant difference. Finally, the bias-variance decomposition revealed that the new method reduced the variance more compared to ensemble methods such as Bagging and Double Bagging. On the other hand, it had similar variance but smaller bias when compared to the Logistic regression.

    더보기

    국문 초록 (Abstract) kakao i 다국어 번역

    한국어
    영어
    분류 모형에 있어서 주요한 이슈는 분류와 예측의 정확성을 향상시키는데 있다. 따라서 많은 연구들이 분류와 예측의 정확성을 높이기 위해서 진행되어 왔으며 대표적인 방법은 바로 변형과 통합의 전략으로 불리는 앙상블 알고리즘이다. 본 논문에서는 Logistic Bagging이라는 새로운 분류 알고리즘을 제안하고 실제 자료와 시뮬레이션 자료를 이용해 제안된 모형을 기존의 Bagging, Double Bagging, Logistic Regression과 비교하였다. 실험결과 Logistic Bagging은 Bagging과 Logistic Regression에 비해 우수한 성능을 보였으며, 자료가 정규분포를 따르지 않는 경우에 한해서 Double Bagging보다도 정확한 분류 성능을 보였다. 자료가 정규분포를 따르는 경우 Logistic Bagging은 Double Bagging보다 향상된 분류 성능을 보이지 못했다. 마지막으로 Bias-Variance Decomposition을 이용하여 Logistic Bagging이 타 분류모형에 비해 Bias와 Variance 중 어떠한 부분에서 향상된 성과를 보이는가를 분석한 결과, Logistic Bagging모형은 Bagging과 Double Bagging에 비해 모형의 Variance를 줄임으로써 분류와 예측의 정확성을 높인다는 것을 알 수 있었고, Logistic Regression에 비해서는 Variance보다는 Bias를 줄임으로 분류와 예측의 정확성을 높인다는 것을 알 수 있었다.
    번역하기

    분류 모형에 있어서 주요한 이슈는 분류와 예측의 정확성을 향상시키는데 있다. 따라서 많은 연구들이 분류와 예측의 정확성을 높이기 위해서 진행되어 왔으며 대표적인 방법은 바로 변형...

    분류 모형에 있어서 주요한 이슈는 분류와 예측의 정확성을 향상시키는데 있다. 따라서 많은 연구들이 분류와 예측의 정확성을 높이기 위해서 진행되어 왔으며 대표적인 방법은 바로 변형과 통합의 전략으로 불리는 앙상블 알고리즘이다. 본 논문에서는 Logistic Bagging이라는 새로운 분류 알고리즘을 제안하고 실제 자료와 시뮬레이션 자료를 이용해 제안된 모형을 기존의 Bagging, Double Bagging, Logistic Regression과 비교하였다. 실험결과 Logistic Bagging은 Bagging과 Logistic Regression에 비해 우수한 성능을 보였으며, 자료가 정규분포를 따르지 않는 경우에 한해서 Double Bagging보다도 정확한 분류 성능을 보였다. 자료가 정규분포를 따르는 경우 Logistic Bagging은 Double Bagging보다 향상된 분류 성능을 보이지 못했다. 마지막으로 Bias-Variance Decomposition을 이용하여 Logistic Bagging이 타 분류모형에 비해 Bias와 Variance 중 어떠한 부분에서 향상된 성과를 보이는가를 분석한 결과, Logistic Bagging모형은 Bagging과 Double Bagging에 비해 모형의 Variance를 줄임으로써 분류와 예측의 정확성을 높인다는 것을 알 수 있었고, Logistic Regression에 비해서는 Variance보다는 Bias를 줄임으로 분류와 예측의 정확성을 높인다는 것을 알 수 있었다.

    더보기

    분석정보

    View

    상세정보조회

    0

    Usage

    원문다운로드

    0

    대출신청

    0

    복사신청

    0

    EDDS신청

    0

    동일 주제 내 활용도 TOP

    더보기

    주제

    연도별 연구동향

    연도별 활용동향

    연관논문

    연구자 네트워크맵

    공동연구자 (7)

    유사연구자 (20) 활용도상위20명

    이 자료와 함께 이용한 RISS 자료

    나만을 위한 추천자료

    해외이동버튼