KR102053694B1 - 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법 - Google Patents

데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법 Download PDF

Info

Publication number
KR102053694B1
KR102053694B1 KR1020180061659A KR20180061659A KR102053694B1 KR 102053694 B1 KR102053694 B1 KR 102053694B1 KR 1020180061659 A KR1020180061659 A KR 1020180061659A KR 20180061659 A KR20180061659 A KR 20180061659A KR 102053694 B1 KR102053694 B1 KR 102053694B1
Authority
KR
South Korea
Prior art keywords
data
classification
data classification
learning training
groups
Prior art date
Application number
KR1020180061659A
Other languages
English (en)
Inventor
김영식
Original Assignee
조선대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 조선대학교산학협력단 filed Critical 조선대학교산학협력단
Priority to KR1020180061659A priority Critical patent/KR102053694B1/ko
Application granted granted Critical
Publication of KR102053694B1 publication Critical patent/KR102053694B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2216/00—Indexing scheme relating to additional aspects of information retrieval not explicitly covered by G06F16/00 and subgroups
    • G06F2216/03—Data mining

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Medical Informatics (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법이 개시된다. 본 발명은 다수의 데이터들을 유사 패턴에 따라 자동으로 분류하기 위한 정보를 결정하기 위해 수행하는 데이터 마이닝(data mining)에 따른 기계 학습 훈련 과정에서 데이터들에 대한 분류의 적합도를 측정할 수 있는 장치 및 그 동작 방법을 제공함으로써, 데이터 마이닝에서의 데이터 분류의 신뢰성을 향상시킬 수 있다.

Description

데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법{CLASSIFICATION ACCURACY MEASURING APPARATUS IN MACHINE LEARNING TRAINING FOR DATA MINING AND OPERATING METHOD THEREOF}
본 발명은 다수의 데이터들을 유사 패턴에 따라 자동으로 분류하기 위한 정보를 결정하기 위해 수행하는 데이터 마이닝(data mining)에 따른 기계 학습 훈련 과정에서 데이터들에 대한 분류의 적합도를 측정할 수 있는 기법에 대한 것이다.
최근, 인터넷이 널리 보급되고, 시간과 장소의 제약 없이 인터넷에 연결할 수 있는 환경이 갖추어지면서, 수많은 데이터들이 생산되고, 유통되고 있다.
이렇게, 수많은 데이터들이 생산되고, 유통됨에 따라, 이러한 데이터들의 패턴 등의 분석을 통해서 사람들의 생각, 성향 등을 파악하고, 이를 기초로 광고 서비스나 공공 서비스를 제공하는 기술들도 등장하고 있다.
대용량의 데이터들의 패턴이나 유사성 등을 분석해서 데이터 내에 숨겨져 있는 유용한 정보를 찾아내는 방법을 데이터 마이닝(data mining)이라고 한다. 이러한 데이터 마이닝을 통해 데이터들 간의 패턴이나 유사성을 분석해 낸 후 이러한 유사성 분석 결과에 근거하여 다양한 데이터들을 유사한 분류끼리 그룹화하기 위한 연구가 활발하게 진행되고 있다.
데이터 마이닝을 통해 데이터를 분류하기 위한 패턴을 분석하는 방법으로는 데이터 분류 작업을 다수회 반복 수행하는 기계 학습 훈련 방식이 많이 사용된다.
기계 학습 훈련 방식은 데이터 마이닝을 통해 데이터들을 분류해 보고, 각 분류 결과에 따른 오류 등을 확인하는 과정을 다수회 수행함으로써, 데이터 분류의 적합도를 높이는 방식이다.
이러한 기계 학습 훈련을 통해 데이터 분류를 위한 패턴 정보를 찾아내기 위해서는 기계 학습 훈련시마다 데이터 분류 결과에 대한 적합도를 측정할 필요가 있다. 만약, 적합도가 낮다면 기계 학습 훈련을 추가로 수행함으로써, 데이터 분류의 적합도를 높일 수 있기 때문이다.
따라서, 데이터 마이닝에 따른 기계 학습 훈련에 있어서 데이터 분류 결과에 대한 적합도를 측정하기 위한 기술의 연구가 필요하다.
본 발명은 다수의 데이터들을 유사 패턴에 따라 자동으로 분류하기 위한 정보를 결정하기 위해 수행하는 데이터 마이닝(data mining)에 따른 기계 학습 훈련 과정에서 데이터들에 대한 분류의 적합도를 측정할 수 있는 장치 및 그 동작 방법을 제공함으로써, 데이터 마이닝에서의 데이터 분류의 신뢰성 향상을 도모하고자 한다.
본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치는 데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들 - 상기 복수의 데이터들 각각에는 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 미리 지정된 인덱스 값이 삽입되어 있되, 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들에 삽입되어 있는 인덱스 값들은 서로 동일함 - 이 복수의 데이터 분류 그룹들로 분류되면, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산하는 연산부 및 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력하는 측정 값 출력부를 포함한다.
또한, 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법은 데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들 - 상기 복수의 데이터들 각각에는 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 미리 지정된 인덱스 값이 삽입되어 있되, 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들에 삽입되어 있는 인덱스 값들은 서로 동일함 - 이 복수의 데이터 분류 그룹들로 분류되면, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산하는 단계 및 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력하는 단계를 포함한다.
본 발명은 다수의 데이터들을 유사 패턴에 따라 자동으로 분류하기 위한 정보를 결정하기 위해 수행하는 데이터 마이닝(data mining)에 따른 기계 학습 훈련 과정에서 데이터들에 대한 분류의 적합도를 측정할 수 있는 장치 및 그 동작 방법을 제공함으로써, 데이터 마이닝에서의 데이터 분류의 신뢰성을 향상시킬 수 있다.
도 1은 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 구조를 도시한 도면이다.
도 2는 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법을 도시한 순서도이다.
이하에서는 본 발명에 따른 실시예들을 첨부된 도면을 참조하여 상세하게 설명하기로 한다. 이러한 설명은 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였으며, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 본 명세서 상에서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 사람에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다.
도 1은 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 구조를 도시한 도면이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치(110)는 연산부(111) 및 측정 값 출력부(112)를 포함한다.
먼저, 데이터를 분류하기 위한 패턴 규칙을 결정하기 위한 목적으로 데이터 마이닝을 위한 기계 학습 훈련에 사용될 복수의 데이터들이 존재한다고 하였을 때, 관리자는 상기 복수의 데이터들 각각에 대해 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 인덱스 값을 미리 삽입해 둘 수 있다. 이때, 관리자는 상기 복수의 데이터들 중 동일한 그룹으로 분류되어야 할 데이터들에 대해 동일한 인덱스 값을 삽입해둘 수 있다.
이러한 상황 하에서, 데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들이 복수의 데이터 분류 그룹들로 분류되면, 연산부(111)는 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산한다.
이때, 본 발명의 일실시예에 따르면, 연산부(111)는 상기 분류 적합도 측정 값의 연산을 위한 구체적 구성으로, 충돌 개수 카운트부(114), 분류 개수 확인부(115) 및 측정 값 연산부(116)를 포함할 수 있다.
충돌 개수 카운트부(114)는 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 데이터가 순차적으로 하나씩 분류될 때마다, 현재 순번에서 분류되는 데이터에 삽입되어 있는 인덱스 값과 이전 순번에서 분류된 데이터에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인하여 상기 복수의 데이터 분류 그룹들 각각에 대해서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트한다.
분류 개수 확인부(115)는 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 분류된 데이터의 총 분류 개수를 확인한다.
측정 값 연산부(116)는 상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 총 충돌 개수와 상기 총 분류 개수에 기초하여 상기 분류 적합도 측정 값을 연산한다.
이때, 본 발명의 일실시예에 따르면, 측정 값 연산부(116)는 하기의 수학식 1에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 상기 분류 적합도 측정 값을 연산할 수 있다.
Figure 112018053067217-pat00001
여기서, It는 상기 복수의 데이터 분류 그룹들 중 t번째 데이터 분류 그룹에 대해 연산되는 분류 적합도 측정 값, Ct는 t번째 데이터 분류 그룹에서 카운트된 총 충돌 개수, Nt는 t번째 데이터 분류 그룹에서 확인된 총 분류 개수이다.
이때, 상기 수학식 1에서 나타낸 분류 적합도 측정 값이 0에 가까운 값을 가질수록 데이터 분류의 적합도가 높은 것으로 판정될 수 있고, 분류 적합도 측정 값이 1에 가까운 값을 가질수록 데이터 분류의 적합도가 낮은 것으로 판정될 수 있다.
관련해서, 데이터 마이닝을 위한 기계 학습 훈련에 사용될 상기 복수의 데이터들이 6개가 존재한다고 하고, 6개의 데이터들에 하기의 표 1과 같이 인덱스 값이 삽입되어 있다고 하며, 6개의 데이터들이 기계 학습 훈련에 따라 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3에 분류된다고 가정하여 충돌 개수 카운트부(114), 분류 개수 확인부(115) 및 측정 값 연산부(116)의 동작을 예를 들어 설명하면 다음과 같다.
데이터들 인덱스 값
데이터 1 인덱스 1
데이터 2 인덱스 1
데이터 3 인덱스 2
데이터 4 인덱스 3
데이터 5 인덱스 2
데이터 6 인덱스 3
충돌 개수 카운트부(114)는 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3 각각에 대해 6개의 데이터들이 순차적으로 하나씩 분류될 때마다, 현재 순번에서 분류되는 데이터에 삽입되어 있는 인덱스 값과 이전 순번에서 분류된 데이터에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인하여 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3 각각에 대해서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트할 수 있다.
관련해서, 기계 학습 훈련이 수행됨에 따라 데이터 분류 그룹 1에 데이터 1, 데이터 2, 데이터 5가 순차적으로 분류된다고 하면, 충돌 개수 카운트부(114)는 데이터 1이 분류된 후 데이터 2가 분류될 때, 이전 순번에서 분류된 데이터인 데이터 1에 삽입되어 있는 인덱스 값과 현재 순번에서 분류된 데이터인 데이터 2에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인할 수 있고, 데이터 5가 분류될 때, 이전 순번에서 분류된 데이터인 데이터 2에 삽입되어 있는 인덱스 값과 현재 순번에서 분류된 데이터인 데이터 5에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인할 수 있다. 그리고, 충돌 개수 카운트부(114)는 각 확인 과정에서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트할 수 있다. 관련해서, 데이터 1과 데이터 2 사이의 인덱스 값만 서로 동일하기 때문에 충돌 개수 카운트부(114)는 데이터 분류 그룹 1에 대해 총 충돌 개수로 1개를 카운트할 수 있다.
이러한 방식으로, 충돌 개수 카운트부(114)는 데이터 분류 그룹 2와 데이터 분류 그룹 3에 대해서도 총 충돌 개수를 카운트할 수 있다.
이때, 분류 개수 확인부(115)는 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3 각각에 대해, 각 데이터 분류 그룹들 별로 분류된 데이터의 총 분류 개수를 확인할 수 있다.
관련해서, 분류 개수 확인부(115)는 데이터 분류 그룹 1에 대해 데이터 1, 데이터 2, 데이터 5가 분류되었기 때문에 데이터 분류 그룹 1에 대한 데이터의 총 분류 개수로 3개를 확인할 수 있고, 이러한 방식으로 나머지 데이터 분류 그룹인 데이터 분류 그룹 2, 데이터 분류 그룹 3에 대해서도 데이터의 총 분류 개수를 확인할 수 있다.
이렇게, 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3에 대해 총 충돌 개수와 총 분류 개수가 확인되면, 측정 값 연산부(116)는 상기 수학식 1의 연산에 따라 상기 분류 적합도 측정 값을 연산할 수 있다.
관련해서, 데이터 분류 그룹 1에 대해서는 상기 총 충돌 개수가 1개, 상기 총 분류 개수가 3개로 확인되었기 때문에 측정 값 연산부(116)는 상기 수학식 1의 연산에 따라 0.67이라고 하는 상기 분류 적합도 측정 값을 연산할 수 있다.
이러한 방식으로, 측정 값 연산부(116)는 데이터 분류 그룹 1, 데이터 분류 그룹 2에 대해서도 상기 수학식 1의 연산에 기초하여 상기 분류 적합도 측정 값을 연산할 수 있다.
보통, 데이터 분류의 적합도를 측정하는 척도로는 하기의 수학식 2에서 나타낸 바와 같은 지니(gini) 인덱스를 주로 사용한다.
Figure 112018053067217-pat00002
상기 수학식 2에서 IG(p)는 i(
Figure 112018053067217-pat00003
)라고 하는 인덱스 값이 할당되어 있는 J개의 원소들이 특정 그룹에 분류되었을 때 해당 그룹에서의 지니 인덱스를 의미하는 것으로, pi는 상기 그룹에 속해있는 전체 J개의 원소들 중 각 인덱스 값들이 할당된 원소들이 존재하는 비율을 의미한다.
이때, 상기 수학식 2에 따라 연산되는 지니 인덱스가 0에 가까울수록 상기 그룹 상에 원소들이 적절하게 분류가 잘 된 것으로 판정될 수 있고, 상기 지니 인덱스가
Figure 112018053067217-pat00004
에 가까운 값을 가질수록 상기 그룹 상에 원소들이 랜덤하게 분류된 것으로 판정될 수 있다.
앞서, 수학식 1에서 나타낸 분류 적합도 측정 값은 하기의 표 2와 같은 수학적 특징에 의해 상기 수학식 2에 따라 연산되는 지니 인덱스에 수렴되는 특징을 가지고 있다.
정리) 상기 수학식 1에서 나타낸 분류 적합도 측정 값은 상기 수학식 2에서 나타낸 지니 인덱스로 수렴함
증명)
먼저
Figure 112018053067217-pat00005
를 다음과 같은 지시 함수(indicator function)라 하자.

Figure 112018053067217-pat00006


이때, 특정 분류 그룹에 하나의 데이터가 분류되어 들어오는 것을 해당 분류 그룹에서 하나의 랜덤 소스를 가지면서 소스가
Figure 112018053067217-pat00007
개의 클래스 중 하나에 해당하는 인덱스 값을 생성하는 것으로 모델링할 수 있다. 이때, 해당 소스를 에르고딕(ergodic) 랜덤 소스라 하면,
Figure 112018053067217-pat00008
의 기댓값은 다음과 같이 연산될 수 있다.

Figure 112018053067217-pat00009


여기에서
Figure 112018053067217-pat00010
은 다음과 같이 측정되는 거리 함수이다.

Figure 112018053067217-pat00011


그리고,
Figure 112018053067217-pat00012
는 소스가 생성한 랜덤 값이고, 이에 대응되는
Figure 112018053067217-pat00013
는 확률 변수이다. 그러면,
Figure 112018053067217-pat00014
이 통계적 독립 동일 분포(Independent and Identically Distribution: IID)를 가질 경우, 다음과 같은 수식이 성립한다.

Figure 112018053067217-pat00015
가 클래스 인덱스들의 집합이라 할 때
Figure 112018053067217-pat00016


이에,
Figure 112018053067217-pat00017
의 기댓값은 다음과 같이 나타낼 수 있다.
Figure 112018053067217-pat00018


따라서, 지니 인덱스는 다음과 같이 정리될 수 있다.
Figure 112018053067217-pat00019
이렇게, 상기 수학식 1에서 나타낸 분류 적합도 측정 값이 지니 인덱스로 수렴하는 특징을 가지고 있기 때문에, 연산부(111)는 복수의 데이터들이 기계 학습 훈련에 따라 복수의 데이터 분류 그룹들로 분류되었을 때, 해당 데이터의 분류에 대한 적합도를 표현하는 척도로서 상기 수학식 1에서 나타낸 분류 적합도 측정 값을 연산할 수 있다.
이때, 상기 수학식 1에서 나타낸 분류 적합도 측정 값이 0에 가까운 값을 가질수록 데이터 분류의 적합도가 높은 것으로 판정될 수 있고, 분류 적합도 측정 값이 1에 가까운 값을 가질수록 데이터 분류의 적합도가 낮은 것으로 판정될 수 있다.
이렇게, 연산부(111)를 통해, 상기 복수의 데이터 분류 그룹들 각각에 대한 상기 분류 적합도 측정 값의 연산이 완료되면, 측정 값 출력부(112)는 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력할 수 있다.
이를 통해, 관리자는 각 데이터 분류 그룹들 별로 상기 복수의 데이터들이 얼마만큼의 적합도를 갖도록 분류가 되었는지 여부를 확인할 수 있고, 분류의 적합도가 낮은 것으로 판정된다면, 추가적으로 상기 복수의 데이터들에 대해 데이터 분류를 위한 기계 학습 훈련을 반복 수행함으로써, 데이터의 분류를 위한 패턴 특징을 찾아낼 수 있다.
이때, 본 발명의 일실시예에 따르면, 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치(110)는 메시지 출력부(113)를 더 포함할 수 있다.
메시지 출력부(113)는 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값과 선정된(predetermined) 기준 값을 비교하여 상기 복수의 데이터들에 대한 데이터 분류의 적합도를 향상시키기 위해서 상기 기계 학습 훈련을 추가로 수행할 것을 지시하는 추가 학습 훈련 지시 메시지를 화면 상에 출력한다.
이때, 본 발명의 일실시예에 따르면, 메시지 출력부(113)는 기준 값 초과 확인부(117), 기준 개수 초과 확인부(118) 및 메시지 출력 처리부(119)를 포함할 수 있다.
기준 값 초과 확인부(117)는 상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는지 여부를 확인한다.
기준 개수 초과 확인부(118)는 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 데이터 분류 그룹의 개수가 선정된 기준 개수를 초과하는지 여부를 확인한다.
메시지 출력 처리부(119)는 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리한다.
관련해서, 상기 복수의 데이터들에 대해 데이터 마이닝에 따른 기계 학습 훈련을 수행한 결과, 상기 복수의 데이터들이 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3, 데이터 분류 그룹 4로 분류되었다고 하고, 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3에 대해서 연산된 분류 적합도 측정 값이 상기 선정된 기준 값을 초과한다고 하며, 상기 선정된 기준 개수가 2개라고 한다면, 메시지 출력 처리부(119)는 4개의 데이터 분류 그룹들 중 상기 선정된 기준 개수인 2개를 초과하는 3개의 데이터 분류 그룹들에서 연산된 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하기 때문에 상기 기계 학습 훈련을 추가로 수행할 것을 지시하는 상기 추가 학습 훈련 지시 메시지 화면 상에 출력할 수 있다.
즉, 특정 개수를 초과하는 데이터 분류 그룹에서의 분류 적합도가 낮은 경우, 전체적으로 데이터 마이닝에 따른 분류 적합도가 낮은 것으로 볼 수 있으므로, 메시지 출력 처리부(119)는 기계 학습 훈련의 추가 반복을 지시하는 상기 추가 학습 훈련 지시 메시지를 화면 상에 출력할 수 있다.
이때, 본 발명의 일실시예에 따르면, 메시지 출력 처리부(119)는 중요도 점수 테이블 유지부(120), 수행 횟수 테이블 유지부(121), 중요도 점수 확인부(122), 합계 점수 연산부(123), 수행 횟수 추출부(124) 및 정보 출력 처리부(125)를 포함할 수 있다.
중요도 점수 테이블 유지부(120)는 미리 지정된 서로 다른 복수의 분류 개수의 범위들 별로 미리 지정된 서로 다른 중요도 점수가 대응되어 기록되어 있는 중요도 점수 테이블을 저장하여 유지한다.
예컨대, 상기 중요도 점수 테이블에는 하기의 표 3과 같이 정보가 기록되어 있을 수 있다.
분류 개수의 범위 중요도 점수
0~5개 10점
5~10개 20점
10~15개 30점
... ...
수행 횟수 테이블 유지부(121)는 미리 지정된 서로 다른 복수의 점수 범위들 별로 미리 지정된 서로 다른 반복 수행 횟수가 대응되어 기록되어 있는 수행 횟수 테이블을 저장하여 유지한다.
예컨대, 상기 수행 횟수 테이블에는 하기의 표 4와 같이 정보가 기록되어 있을 수 있다.
점수 범위 수행 횟수
30~50점 1회
50~90점 2회
90~120점 3회
... ...
중요도 점수 확인부(122)는 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 적어도 하나의 제1 데이터 분류 그룹을 확인한 후 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해, 상기 중요도 점수 테이블을 참조하여 상기 적어도 하나의 제1 데이터 분류 그룹 각각에서 분류된 데이터의 총 분류 개수에 따른 분류 개수의 범위에 대응하는 중요도 점수를 확인한다.
관련해서, 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 상기 적어도 하나의 제1 데이터 분류 그룹이 데이터 분류 그룹 1, 데이터 분류 그룹 2, 데이터 분류 그룹 3이라고 하고, 데이터 분류 그룹 1에 3개의 데이터가 분류되었고, 데이터 분류 그룹 2에 8개의 데이터가 분류되었으며, 데이터 분류 그룹 3에 13개의 데이터가 분류되었다고 하는 경우, 중요도 점수 확인부(122)는 데이터 분류 그룹 1에 대해, 상기 표 3과 같은 중요도 점수 테이블을 참조하여 데이터 분류 그룹 1에서 분류된 데이터의 총 분류 개수인 3개에 따른 분류 개수의 범위에 대응하는 중요도 점수인 10점을 확인할 수 있고, 데이터 분류 그룹 2에 대해, 상기 중요도 점수 테이블을 참조하여 데이터 분류 그룹 2에서 분류된 데이터의 총 분류 개수인 8개에 따른 분류 개수의 범위에 대응하는 중요도 점수인 20점을 확인할 수 있으며, 데이터 분류 그룹 3에 대해, 상기 중요도 점수 테이블을 참조하여 데이터 분류 그룹 3에서 분류된 데이터의 총 분류 개수인 13개에 따른 분류 개수의 범위에 대응하는 중요도 점수인 30점을 확인할 수 있다.
합계 점수 연산부(123)는 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해 확인된 중요도 점수를 합산하여 합계 점수를 연산한다.
수행 횟수 추출부(124)는 상기 합계 점수가 연산되면, 상기 수행 횟수 테이블로부터 상기 연산된 합계 점수에 따른 점수 범위에 대응하는 제1 반복 수행 횟수를 추출한다.
관련해서, 앞서 설명한 예시와 같이 데이터 분류 그룹 1에 대해 중요도 점수가 10점, 데이터 분류 그룹 2에 대해 중요도 점수가 20점, 데이터 분류 그룹 3에 대해 중요도 점수가 30점으로 확인되었다고 한다면, 합계 점수 연산부(123)는 각 중요도 점수를 합산하여 60점이라고 하는 합계 점수를 연산할 수 있고, 수행 횟수 추출부(124)는 상기 표 4와 같은 상기 수행 횟수 테이블로부터 60점이라는 합계 점수에 따른 점수 범위에 대응하는 2회라고 하는 상기 제1 반복 수행 횟수를 추출할 수 있다.
이렇게, 상기 제1 반복 수행 횟수가 추출되면, 정보 출력 처리부(125)는 상기 추가 학습 훈련 지시 메시지의 출력을 처리함과 동시에 상기 제1 반복 수행 횟수를 화면 상에 출력한다.
즉, 앞서 설명한 예시와 같이 상기 제1 반복 수행 횟수가 2회라고 하는 경우, 정보 출력 처리부(125)는 화면 상에 상기 추가 학습 훈련 지시 메시지를 출력함과 동시에 2회라고 하는 상기 제1 반복 수행 횟수를 출력함으로써, 관리자로 하여금 기계 학습 훈련을 최소한 2회 이상 반복 수행하도록 유도하여 데이터 마이닝에 따른 분류 패턴이 보다 정확하게 결정될 수 있도록 지원할 수 있다.
도 2는 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법을 도시한 순서도이다.
단계(S210)에서는 데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들(상기 복수의 데이터들 각각에는 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 미리 지정된 인덱스 값이 삽입되어 있되, 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들에 삽입되어 있는 인덱스 값들은 서로 동일함)이 복수의 데이터 분류 그룹들로 분류되면, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산한다.
단계(S220)에서는 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력한다.
이때, 본 발명의 일실시예에 따르면, 상기 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법은 상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값과 선정된 기준 값을 비교하여 상기 복수의 데이터들에 대한 데이터 분류의 적합도를 향상시키기 위해서 상기 기계 학습 훈련을 추가로 수행할 것을 지시하는 추가 학습 훈련 지시 메시지를 화면 상에 출력하는 단계를 더 포함할 수 있다.
또한, 본 발명의 일실시예에 따르면, 단계(S210)에서는 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 데이터가 순차적으로 하나씩 분류될 때마다, 현재 순번에서 분류되는 데이터에 삽입되어 있는 인덱스 값과 이전 순번에서 분류된 데이터에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인하여 상기 복수의 데이터 분류 그룹들 각각에 대해서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트하는 단계, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 분류된 데이터의 총 분류 개수를 확인하는 단계 및 상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 총 충돌 개수와 상기 총 분류 개수에 기초하여 상기 분류 적합도 측정 값의 연산을 처리하는 단계를 포함할 수 있다.
이때, 상기 연산을 처리하는 단계 상기 수학식 1에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 상기 분류 적합도 측정 값을 연산할 수 있다.
또한, 본 발명의 일실시예에 따르면, 상기 추가 학습 훈련 지시 메시지를 화면 상에 출력하는 단계는 상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는지 여부를 확인하는 단계, 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 데이터 분류 그룹의 개수가 선정된 기준 개수를 초과하는지 여부를 확인하는 단계 및 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리하는 단계를 포함할 수 있다.
이때, 본 발명의 일실시예에 따르면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리하는 단계는 미리 지정된 서로 다른 복수의 분류 개수의 범위들 별로 미리 지정된 서로 다른 중요도 점수가 대응되어 기록되어 있는 중요도 점수 테이블을 저장하여 유지하는 단계, 미리 지정된 서로 다른 복수의 점수 범위들 별로 미리 지정된 서로 다른 반복 수행 횟수가 대응되어 기록되어 있는 수행 횟수 테이블을 저장하여 유지하는 단계, 상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 적어도 하나의 제1 데이터 분류 그룹을 확인한 후 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해, 상기 중요도 점수 테이블을 참조하여 상기 적어도 하나의 제1 데이터 분류 그룹 각각에서 분류된 데이터의 총 분류 개수에 따른 분류 개수의 범위에 대응하는 중요도 점수를 확인하는 단계, 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해 확인된 중요도 점수를 합산하여 합계 점수를 연산하는 단계, 상기 합계 점수가 연산되면, 상기 수행 횟수 테이블로부터 상기 연산된 합계 점수에 따른 점수 범위에 대응하는 제1 반복 수행 횟수를 추출하는 단계 및 상기 제1 반복 수행 횟수가 추출되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리함과 동시에 상기 제1 반복 수행 횟수를 화면 상에 출력하는 단계를 포함할 수 있다.
이상, 도 2를 참조하여 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법에 대해 설명하였다. 여기서, 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법은 도 1을 이용하여 설명한 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치(110)의 동작에 대한 구성과 대응될 수 있으므로, 이에 대한 보다 상세한 설명은 생략하기로 한다.
본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법은 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램으로 구현될 수 있다.
또한, 본 발명의 일실시예에 따른 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
110: 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치
111: 연산부 112: 측정 값 출력부
113: 메시지 출력부 114: 충돌 개수 카운트부
115: 분류 개수 확인부 116: 측정 값 연산부
117: 기준 값 초과 확인부 118: 기준 개수 초과 확인부
119: 메시지 출력 처리부 120: 중요도 점수 테이블 유지부
121: 수행 횟수 테이블 유지부 122: 중요도 점수 확인부
123: 합계 점수 연산부 124: 수행 횟수 추출부
125: 정보 출력 처리부

Claims (14)

  1. 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치에 있어서,
    데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들 - 상기 복수의 데이터들 각각에는 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 미리 지정된 인덱스 값이 삽입되어 있되, 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들에 삽입되어 있는 인덱스 값들은 서로 동일함 - 이 복수의 데이터 분류 그룹들로 분류되면, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산하는 연산부; 및
    상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력하는 측정 값 출력부
    를 포함하고,
    상기 연산부는
    상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 데이터가 순차적으로 하나씩 분류될 때마다, 현재 순번에서 분류되는 데이터에 삽입되어 있는 인덱스 값과 이전 순번에서 분류된 데이터에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인하여 상기 복수의 데이터 분류 그룹들 각각에 대해서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트하는 충돌 개수 카운트부;
    상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 분류된 데이터의 총 분류 개수를 확인하는 분류 개수 확인부; 및
    상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 총 충돌 개수와 상기 총 분류 개수에 기초하여 상기 분류 적합도 측정 값을 연산하는 측정 값 연산부
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치.
  2. 제1항에 있어서,
    상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값과 선정된(predetermined) 기준 값을 비교하여 상기 복수의 데이터들에 대한 데이터 분류의 적합도를 향상시키기 위해서 상기 기계 학습 훈련을 추가로 수행할 것을 지시하는 추가 학습 훈련 지시 메시지를 화면 상에 출력하는 메시지 출력부
    를 더 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치.
  3. 삭제
  4. 제1항에 있어서,
    상기 측정 값 연산부는
    하기의 수학식 1에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 상기 분류 적합도 측정 값을 연산하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치.
    [수학식 1]
    Figure 112019085284090-pat00020

    여기서, It는 상기 복수의 데이터 분류 그룹들 중 t번째 데이터 분류 그룹에 대해 연산되는 분류 적합도 측정 값, Ct는 t번째 데이터 분류 그룹에서 카운트된 총 충돌 개수, Nt는 t번째 데이터 분류 그룹에서 확인된 총 분류 개수임.
  5. 제2항에 있어서,
    상기 메시지 출력부는
    상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는지 여부를 확인하는 기준 값 초과 확인부;
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 데이터 분류 그룹의 개수가 선정된 기준 개수를 초과하는지 여부를 확인하는 기준 개수 초과 확인부; 및
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리하는 메시지 출력 처리부
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치.
  6. 제5항에 있어서,
    상기 메시지 출력 처리부는
    미리 지정된 서로 다른 복수의 분류 개수의 범위들 별로 미리 지정된 서로 다른 중요도 점수가 대응되어 기록되어 있는 중요도 점수 테이블을 저장하여 유지하는 중요도 점수 테이블 유지부;
    미리 지정된 서로 다른 복수의 점수 범위들 별로 미리 지정된 서로 다른 반복 수행 횟수가 대응되어 기록되어 있는 수행 횟수 테이블을 저장하여 유지하는 수행 횟수 테이블 유지부;
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 적어도 하나의 제1 데이터 분류 그룹을 확인한 후 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해, 상기 중요도 점수 테이블을 참조하여 상기 적어도 하나의 제1 데이터 분류 그룹 각각에서 분류된 데이터의 총 분류 개수에 따른 분류 개수의 범위에 대응하는 중요도 점수를 확인하는 중요도 점수 확인부;
    상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해 확인된 중요도 점수를 합산하여 합계 점수를 연산하는 합계 점수 연산부;
    상기 합계 점수가 연산되면, 상기 수행 횟수 테이블로부터 상기 연산된 합계 점수에 따른 점수 범위에 대응하는 제1 반복 수행 횟수를 추출하는 수행 횟수 추출부; 및
    상기 제1 반복 수행 횟수가 추출되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리함과 동시에 상기 제1 반복 수행 횟수를 화면 상에 출력하는 정보 출력 처리부
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치.
  7. 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법에 있어서,
    데이터 마이닝 분석에 기초한 기계 학습 훈련이 수행됨에 따라 복수의 데이터들 - 상기 복수의 데이터들 각각에는 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들을 구분하기 위한 미리 지정된 인덱스 값이 삽입되어 있되, 동일한 데이터 분류 그룹으로 분류되어야 할 데이터들에 삽입되어 있는 인덱스 값들은 서로 동일함 - 이 복수의 데이터 분류 그룹들로 분류되면, 상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들로 분류된 데이터에 삽입되어 있는 인덱스 값에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 분류 적합도 측정 값을 연산하는 단계; 및
    상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값을 화면 상에 출력하는 단계
    를 포함하고,
    상기 연산하는 단계는
    상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 데이터가 순차적으로 하나씩 분류될 때마다, 현재 순번에서 분류되는 데이터에 삽입되어 있는 인덱스 값과 이전 순번에서 분류된 데이터에 삽입되어 있는 인덱스 값이 서로 동일한지 여부를 확인하여 상기 복수의 데이터 분류 그룹들 각각에 대해서 양 인덱스 값이 서로 동일한 것으로 확인된 총 충돌 개수를 카운트하는 단계;
    상기 복수의 데이터 분류 그룹들 각각에 대해, 각 데이터 분류 그룹들 별로 분류된 데이터의 총 분류 개수를 확인하는 단계; 및
    상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 총 충돌 개수와 상기 총 분류 개수에 기초하여 상기 분류 적합도 측정 값의 연산을 처리하는 단계
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법.
  8. 제7항에 있어서,
    상기 복수의 데이터 분류 그룹들 각각에 대해서 연산된 상기 분류 적합도 측정 값과 선정된(predetermined) 기준 값을 비교하여 상기 복수의 데이터들에 대한 데이터 분류의 적합도를 향상시키기 위해서 상기 기계 학습 훈련을 추가로 수행할 것을 지시하는 추가 학습 훈련 지시 메시지를 화면 상에 출력하는 단계
    를 더 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법.
  9. 삭제
  10. 제7항에 있어서,
    상기 연산을 처리하는 단계
    하기의 수학식 2에 기초하여 상기 복수의 데이터 분류 그룹들 각각에 대한 상기 분류 적합도 측정 값을 연산하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법.
    [수학식 2]
    Figure 112019085284090-pat00021

    여기서, It는 상기 복수의 데이터 분류 그룹들 중 t번째 데이터 분류 그룹에 대해 연산되는 분류 적합도 측정 값, Ct는 t번째 데이터 분류 그룹에서 카운트된 총 충돌 개수, Nt는 t번째 데이터 분류 그룹에서 확인된 총 분류 개수임.
  11. 제8항에 있어서,
    상기 추가 학습 훈련 지시 메시지를 화면 상에 출력하는 단계는
    상기 복수의 데이터 분류 그룹들 각각에 대해, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는지 여부를 확인하는 단계;
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 데이터 분류 그룹의 개수가 선정된 기준 개수를 초과하는지 여부를 확인하는 단계; 및
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리하는 단계
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법.
  12. 제11항에 있어서,
    상기 추가 학습 훈련 지시 메시지의 출력을 처리하는 단계는
    미리 지정된 서로 다른 복수의 분류 개수의 범위들 별로 미리 지정된 서로 다른 중요도 점수가 대응되어 기록되어 있는 중요도 점수 테이블을 저장하여 유지하는 단계;
    미리 지정된 서로 다른 복수의 점수 범위들 별로 미리 지정된 서로 다른 반복 수행 횟수가 대응되어 기록되어 있는 수행 횟수 테이블을 저장하여 유지하는 단계;
    상기 복수의 데이터 분류 그룹들 중 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인된 데이터 분류 그룹의 개수가 상기 선정된 기준 개수를 초과하는 것으로 확인되면, 상기 분류 적합도 측정 값이 상기 선정된 기준 값을 초과하는 것으로 확인되는 적어도 하나의 제1 데이터 분류 그룹을 확인한 후 상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해, 상기 중요도 점수 테이블을 참조하여 상기 적어도 하나의 제1 데이터 분류 그룹 각각에서 분류된 데이터의 총 분류 개수에 따른 분류 개수의 범위에 대응하는 중요도 점수를 확인하는 단계;
    상기 적어도 하나의 제1 데이터 분류 그룹 각각에 대해 확인된 중요도 점수를 합산하여 합계 점수를 연산하는 단계;
    상기 합계 점수가 연산되면, 상기 수행 횟수 테이블로부터 상기 연산된 합계 점수에 따른 점수 범위에 대응하는 제1 반복 수행 횟수를 추출하는 단계; 및
    상기 제1 반복 수행 횟수가 추출되면, 상기 추가 학습 훈련 지시 메시지의 출력을 처리함과 동시에 상기 제1 반복 수행 횟수를 화면 상에 출력하는 단계
    를 포함하는 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치의 동작 방법.
  13. 제7항, 제8항, 제10항, 제11항 또는 제12항 중 어느 한 항의 방법을 수행하는 프로그램을 기록한 컴퓨터 판독 가능 기록 매체.
  14. 제7항, 제8항, 제10항, 제11항 또는 제12항 중 어느 한 항의 방법을 컴퓨터와의 결합을 통해 실행시키기 위한 저장매체에 저장된 컴퓨터 프로그램.
KR1020180061659A 2018-05-30 2018-05-30 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법 KR102053694B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180061659A KR102053694B1 (ko) 2018-05-30 2018-05-30 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180061659A KR102053694B1 (ko) 2018-05-30 2018-05-30 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법

Publications (1)

Publication Number Publication Date
KR102053694B1 true KR102053694B1 (ko) 2019-12-09

Family

ID=68837388

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180061659A KR102053694B1 (ko) 2018-05-30 2018-05-30 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법

Country Status (1)

Country Link
KR (1) KR102053694B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220067173A (ko) * 2020-11-17 2022-05-24 주식회사 한글과컴퓨터 기계학습용 데이터 분류를 위한 데이터 처리 장치 및 그 동작 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5012078B2 (ja) * 2007-02-16 2012-08-29 大日本印刷株式会社 カテゴリ作成方法、カテゴリ作成装置、およびプログラム
KR101484186B1 (ko) * 2013-08-30 2015-01-21 한국전자통신연구원 보안 관제 데이터의 검색을 위한 인덱싱 장치 및 방법
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
KR20170030401A (ko) * 2015-09-09 2017-03-17 (주)비타소프트 고객 경험 분석 데이터에 기초하여 고객을 그룹별로 분류하는 고객 그룹 분류 방법 및 이를 이용한 고객 그룹 분류 시스템
KR20170143298A (ko) * 2016-06-21 2017-12-29 송제윤 그룹 기반의 당뇨 정보 공유 지원 장치 및 방법
KR20180041478A (ko) * 2016-10-14 2018-04-24 김영후 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5012078B2 (ja) * 2007-02-16 2012-08-29 大日本印刷株式会社 カテゴリ作成方法、カテゴリ作成装置、およびプログラム
KR101484186B1 (ko) * 2013-08-30 2015-01-21 한국전자통신연구원 보안 관제 데이터의 검색을 위한 인덱싱 장치 및 방법
JP2016133895A (ja) * 2015-01-16 2016-07-25 キヤノン株式会社 情報処理装置、情報処理方法、及びプログラム
KR20170030401A (ko) * 2015-09-09 2017-03-17 (주)비타소프트 고객 경험 분석 데이터에 기초하여 고객을 그룹별로 분류하는 고객 그룹 분류 방법 및 이를 이용한 고객 그룹 분류 시스템
KR20170143298A (ko) * 2016-06-21 2017-12-29 송제윤 그룹 기반의 당뇨 정보 공유 지원 장치 및 방법
KR20180041478A (ko) * 2016-10-14 2018-04-24 김영후 기계학습을 활용한 월렛 시스템 기반 인재 매칭 시스템 및 그 방법

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220067173A (ko) * 2020-11-17 2022-05-24 주식회사 한글과컴퓨터 기계학습용 데이터 분류를 위한 데이터 처리 장치 및 그 동작 방법
KR102523803B1 (ko) 2020-11-17 2023-04-21 주식회사 한글과컴퓨터 기계학습용 데이터 분류를 위한 데이터 처리 장치 및 그 동작 방법

Similar Documents

Publication Publication Date Title
KR102090423B1 (ko) 동적 api 추출 기반의 애플리케이션 악성코드 탐지 방법, 이를 수행하기 위한 기록 매체 및 장치
WO2021111670A1 (ja) アノテーション装置および方法
CN111382255A (zh) 用于问答处理的方法、装置、设备和介质
CN109558936A (zh) 异常判定方法和程序
CN106919957A (zh) 处理数据的方法及装置
CN111626303B (zh) 性别和年龄的识别方法、装置、存储介质及服务器
CN113448955B (zh) 数据集质量评估方法、装置、计算机设备及存储介质
CN106557420B (zh) 测试db数据生成方法及装置
CN111831708A (zh) 基于缺失数据的样本分析方法、装置、电子设备及介质
KR102053694B1 (ko) 데이터 마이닝을 위한 기계 학습 훈련에 있어서의 분류 적합도 측정 장치 및 그 동작 방법
US20210027121A1 (en) Machine Learning-Based Techniques for Representing Computing Processes as Vectors
Verma et al. Source-code similarity measurement: syntax tree fingerprinting for automated evaluation
CN110413596A (zh) 字段处理方法及装置、存储介质、电子装置
CN110019762B (zh) 一种问题定位方法、存储介质和服务器
Wu et al. Nonparametric analysis of fingerprint data on large data sets
CN111723182B (zh) 一种用于漏洞文本的关键信息抽取方法及装置
CN110020686A (zh) 一种基于群智感知传感数据的路面异常检测方法
CN111311276A (zh) 一种异常用户团体的识别方法、识别装置及可读存储介质
CN110472416A (zh) 一种网页恶意代码检测方法及相关装置
CN114816518A (zh) 基于simhash的源代码中开源成分筛选识别方法及系统
Wu et al. MapReduce-based pattern classification for design space analysis
CN114511715A (zh) 一种驾驶场景数据挖掘方法
CN111190986B (zh) 一种地图数据对比方法和装置
Rossel et al. Unsupervised biodiversity estimation using proteomic fingerprints from MALDI‐TOF MS data
US8037002B2 (en) Property description coverage measuring apparatus

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant