불균형 데이터 해소를 위한 오버샘플링 비교연구
Over-Sampling Comparative Study for Imbalanced Data Classification
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
최근 불균형 데이터의 분류 및 예측 문제가 증가함에 따라 다양한 분야에서 이를 해결하고자 연구가 이어지고 있다. 본 연구에서는 불균형 데이터의 분류 문제 해결을 위해 사용되는 재표집 방법들을 비교하였다. 로지스틱 회귀모형을 비롯한 네 가지 분류기를 사용하였으며, 평가지표로는 AUC와 F1score를 활용하였다. 실험 결과에서 분류기와 평가지표에 따라 어떤 한 가지 방법이 우수한 결과를 도출하지 못하였다. 또한, 분류기와 평가지표가 동일한 경우에도 표본크기와 소수클래스 비율에 따라 일관되지 않은 결과가 도출되었다. 따라서 어느 한 가지 데이터 처리 기법이나 분류기만으로 의사결정을 하는 것보다 종합적인 민감도분석을 통해 의사 결정하는 것이 필요하다.
Abstract
Recently, as the problem of classifying and predicting imbalanced data has increased, research in various fields has intensified to solve it. This study compares re-sampling methods to address the classification problem of imbalanced data. Four classifiers, including the logistic regression model, were utilized, with AUC and F1-score serving as performance metrics in this study. The experiment yielded varied results based on the classifier or performance metrics used, and even when the classifier and performance metrics were identical, outcomes differed depending on the sample size or the imbalance rate. Therefore, this indicates the importance of making decisions based on comprehensive sensitivity analysis rather than relying solely on one data processing technique or classifier.
참고문헌 (10)
- 유병주, "불균형 자료의 분류분석 방법별 성능 비교와 접근 전략 연구", 한국자료분석학회, 23(1), pp.195~207 (2021), 한국자료분석학회
- 이규남, "머신러닝을 위한 불균형 데이터 처리 방법 : 샘플링을 위주로", 한국콘텐츠학회, 19(11), pp.567~577 (2019), 한국콘텐츠학회
- 정병준, "극단적 불균형 데이터 분류를 위한 SMOTE 비교연구", pp.2024
- Bunkhumpornpat, C., "Safe-level-smote: Safe-level-synthetic minority over-sampling technique for handling the class imbalanced problem", Proceedings. Pacific–Asia Conference on Knowledge Discovery and Data Mining, pp.475~482 (2009)
- Chawla, N. V., "SMOTE : Synthetic minority over-sampling technique", Journal of Artificial Intelligence Research, 16, pp.321~357 (2002)
- Galar, M., "EUSBoost : Enhancing ensembles for highly imbalanced data-sets by evolutionary undersampling", Pattern Recognition, 46(12), pp.3460~3471 (2013)
- García, S., "Evolutionary undersampling for classification with imbalanced datasets : Proposals and taxonomy", Evolutionary Computation, 17(3), pp.275~306 (2009)
- Seliya, N., "Predicting faults in high assurance software", Proceedings, IEEE 12th International Symposim on High Assurance Systems Engineering, pp.26~34 (2010)
- Shin, K., "MI-MOTE : Multiple imputation-based minority oversampling technique for imbalanced and incomplete data classification", Information Sciences, 575, pp.80~89 (2021)
- Wang, L., "Review of classification methods on unbalanced data set", IEEE Access, 9, pp.64606~64628 (2021)