표제지
요약
Abstract
목차
제1장 서론 10
제2장 관련 연구 12
2.1. 불균형 신용 데이터 12
2.2. Ensemble 13
2.3. Diversity 14
제3장 연구 동기 및 제안 방법 17
3.1. 연구 동기 17
3.2. 제안 방법 18
3.2.1. 개선된 다양성 지표 Class-Disagreement 적용 18
3.2.2. EC Algorithm 19
제4장 실험 방법 및 결과 22
4.1. 데이터 22
4.2. 실험 개요 22
4.3. 평가 지표 23
4.4. 실험 결과 23
제5장 결론 29
참고문헌 30
〈표 1〉 A 2 x 2 table of the relationship between a pair of classifiers 14
〈표 2〉 Major Class Confusion Matrix between two classifier Cj, Cₖ[이미지참조] 18
〈표 3〉 Minor Class Confusion Matrix between two classifier Cj, Cₖ[이미지참조] 19
〈표 4〉 4개의 다양성 지표의 최적 구간의 앙상블 최대 성능 26
〈표 5〉 랜덤 앙상블과 EC 알고리즘 앙상블 평균 성능 비교 27
〈표 6〉 랜덤 앙상블과 EC 알고리즘 앙상블 최대 성능 비교 28
그림 1. 언더 배깅 샘플링 비율에 따른 G-Mean의 성능과 전체 클래스 Q-Statistic, 소수 클래스 Q-Statistic 수치 변화 15
그림 2. 언더 배깅 샘플링 비율에 따른 G-Mean의 성능과 Recall of Minority(소수 클래스 재현율) 수치 변화 16
그림 3. Pruning Method 동작 예시 20
그림 4. Interval Shuffle 동작 예시 21
그림 5. confusion matrix 23
그림 6. Double-Fault의 앙상블 최적 다양성 구간 확인 24
그림 7. Q-statistic의 앙상블 최적 다양성 구간 확인 25
그림 8. Dis-agreement의 앙상블 최적 다양성 구간 확인 25
그림 9. Class-disagreement의 앙상블 최적 다양성 구간 확인 25
그림 10. 랜덤 앙상블 EC 알고리즘 앙상블 개별 성능 비교 27
그림 11. 랜덤 앙상블과 EC 알고리즘 앙상블 평균 성능 비교 27
그림 12. 랜덤 앙상블과 EC 알고리즘 앙상블 최대 성능 비교 28