불균형 신용 데이터의 분류를 위한 앙상블 구성 방법에 관하여 연구한다. 앙상블의 성능은 앙상블을 구성하고 있는 기계학습 모델들의 성능과 모델 간의 상호 다양성에 큰 영향을 받는다. 현재 사용되고 있는 다양성 수식 (Q-Statistics, Disagreement, Double Fault) 등은 다수 클래스와 소수 클래스 등 클래스 레이블을 구분 없이 하나로 통합하여 계산하는 방식이다. 불균형 데이터에 해당 지표를 적용하여 다양성 수치를 산출하는 경우 다양성 수치가 다수 클래스의 예측 결과에 상대적으로 큰 영향을 받아 소수 클래스의 중요성을 감소시키는 문제가 있다. 이런 점에서 기존 다양성 지표는 불균형 데이터에 적용하는데 적합하지 않다.
본 논문에서는 불균형 데이터의 특성을 반영할 수 있는 새로운 다양성 지표, 'Class Disagreement'를 제안하고, 앙상블 모델을 구성하는 방법론을 탐구한다. 효율적인 앙상블 구성을 위한 방법으로Ensemble Construction(EC) Algorithm을 사용한다. 기존의 다양성 수치가 불균형 데이터에 적용할 때 나타나는 문제를 개선하고, 소수 클래스의 중요성을 반영하여 앙상블에서 불균형한 신용 데이터의 분류 성능을 향상하는 것을 목표로 한다. 실험을 통해 제안한 방법이 데이터의 분류 성능을 향상하는 것을 확인하였다.