earticle

한국어

앙상블 학습모형은 분류 및 예측모형에서 모형의 성과를 개선하기 위한 기법으로 제안되어 왔다. 그러나, 데이터 불균형(Data imbalance) 문제가 존재하는 경우 범주 사이의 분류경계영역이 왜곡되므로 분류자의 학습성과가 저하되게 된다. 본 연구에서는 데이터 불균형 문제가 존재하는 이분류 문제를 효과적으로 해결하기 위한 AUROC 최적화 모형 기반의 앙상블 학습모형을 제안하고자 한다. 본 연구에서 제안하는 학습알고리즘은 앙상블 학습 모형에 비선형계획법인 Quadratic programming을 도입한 것으로 오분류된 표본에 대한 학습을 강화할 수 있으며 불균형 분포를 보이는 각 범주의 예측정확도를 동시에 고려한 학습이 가능하다는 장점이 있다. 기업부실 예측문제를 활용하여 본 연구에서 제안하는 알고리즘의 성과를 검증한 결과, 앙상블 학습에서 전통적으로 활용되어 왔던 AdaBoost 기법과 비교하여 통계적으로 유의적인 성과개선 효과를 보여주었으며 데이터 불균형 하에서도 벤치마킹 모형과 비교하여 견고한 학습성과를 나타냈다.