데이터 마이닝 구축프로세스 및 실행방법론 2편

소개글

데이터 마이닝 구축프로세스 및 실행방법론 2편에 대한 보고서 자료입니다.

목차

의사결정나무분석 (Decision Tree)

로지스틱회귀분석 (Logistic Regression)

신경망분석 (Neural Network)

예측모형의 평가 (Assessment)

군집분석 (Clustering)

연관성분석 (Association Analysis)

본문내용

1. Data Mining Models
Supervised Modeling
Supervised Prediction
Target Variable : Continuous (or Discrete)
Regression Analysis, Regression Tree, Neural Network
Supervised Classification
Target Variable : Discrete
Discrimination Analysis, Classification Tree, Neural Network
Unsupervised Modeling
No Target Variable
Clustering, SOM(Kohonen Network), Association Rule
2. 의사결정나무분석의 과정
의사결정나무의 형성(Growing the Tree)
분리기준(Splitting Criteria),
정지규칙(Stopping Rule)
가지치기(Pruning)
타당성 평가(Validation)
이익(Gain), 위험(Risk), 비용(Cost)
분류 및 예측(Classification, Prediction)
3. 분리기준(Splitting Criteria)
이산형 목표변수(categorical target)
카이제곱 통계량(Chi-Square statistic)
지니 지수(Gini index)
엔트로피 지수(Entropy index)
연속형 목표변수(continous target)
F 통계량
분산의 감소량(Variance reduction)
4. 로지스틱회귀분석의 특징
장점
친밀성 (Familiarity)
실제성 (Feasibility)
해석상의 편리 (Interpretability)
단점
부적절하거나 불필요한 입력변수 : 변수선택방법 사용
선형성 : 다항회귀모형, 의사결정나무분석, 신경망분석 등 사용
교호작용의 결여 : 다항회귀모형, 의사결정나무분석 등 사용
명목형 변수 : 가변수(dummy variable) 사용
결측값 : 대체(imputation)
5. 신경망의 구조
입력층
각 입력변수에 대응되는 마디들로 구성되어 있다. 명목형(nominal) 변수에 대해서는 각 수준에 대응하는 입력마디를 가지게 되는데, 이는 통계적 선형모형에서 가변수(dummy variable)를 사용하는 것과 같다.
은닉층
여러 개의 은닉마디로 구성되어 있다. 입력층으로부터 전달되는 변수값들의 선형결합(linear combination)을 비선형함수(nonlinear function)로 처리하여 출력층 또는 다른 은닉층에 전달한다.
출력층
목표변수(target)에 대응하는 마디들을 갖는다. 여러 개의 목표변수 또는 세 개 이상의 수준을 가지는 명목형 목표변수가 있을 경우에는 여러 개의 출력마디들이 존재한다.
6. 최적화와 비수렴성
반복적 최적화
1) 각 계수에 대해서 임의의 초기값을 부여한다.
2) 새로운 값 = 이전 값 + 수정값
3) 수렴할 때까지(즉, 이전 값과 새로운 값의 차이가 거의 없을 때까지) 반복적으로 수행한다.
최적화(Training) 방법
backpropagation: 신경망
Levenberg-Marquardt
quasi-Newton
conjugate- gradient

키워드

데이터,   마이닝,   구축,   프로세스,   실행,   방법론,   전산