전기공학머신러닝 실험 5. 다중 분류 예비보고서

소개

"전기공학머신러닝 실험 5. 다중 분류 예비보고서"에 대한 내용입니다.

목차

1. 실험 명
2. 실험 개요
3. 이론 조사
4. 실험 기기
5. 예비보고서
6. 실험 순서
7. 참고 문헌

본문내용

1. 실험명
실험 5. 다중 분류

2. 실험 개요
다중 분류에 대해서 학습한다.

3. 이론조사
-다중 분류
다항식 분류는 기계 학습에서 세 개 이상의 범주를 가진 범주형 목표 변수를 예측하는 데 사용되는 방법이다. 다항식 분류는 두 개의 클래스를 구분하는 이진 분류와 달리 입력된 특징을 기반으로 여러 클래스 중 하나에 입력을 할당한다. 이러한 유형의 분류는 자연어 처리에서 의학 진단에 이르기까지 다양한 영역에서 필수적이며, 결과는 이진법만이 아니다.
다항식 분류의 기초는 여러 클래스에 걸쳐 예측을 가능하게 하는 수학적 모델을 이해하는 데 있다. 핵심 개념은 이항 결과에 대한 로지스틱 함수를 여러 클래스로 일반화하는 softmax 함수를 중심으로 한다. softmax 함수는 각 클래스의 확률을 가능한 모든 클래스에 걸쳐 출력하여 이러한 확률이 최대 1이 되도록 한다. 이때 모델은 입력된 특징을 기반으로 각 클래스의 점수를 계산하고, softmax 함수는 이 점수를 확률로 변환한다.
클래스 k에 대한 소프트맥스 함수의 수학적 표현은 다음과 같다.

-손실 함수
이러한 모델을 훈련하기 위해 교차 엔트로피 손실 함수가 일반적으로 사용된다. 이 손실 함수는 출력이 0과 1 사이의 확률 값인 모델의 성능을 측정하는 데 특히 적합하다. 교차 엔트로피 손실은 실제 레이블과 모델이 제공하는 예측 간의 비유사성을 측정하는 데 사용되며 다음과 같이 정의된다.

여기서 N은는 표본 수, K는 클래스 수, y_{ik}는 클래스 레이블 k가 관측치에 대한 올바른 분류라면 이진 지표 (0 또는 1)이고, 는 관측치가 클래스 k일 확률을 예측한 것이다.
-다중 분류의 다양한 사용 예시
다항식 분류는 다양한 분야에서 광범위하게 응용되고 있다. 다음은 다중분류의 사용 예시이다.
1. 자연어 처리(NLP)
텍스트 분류 작업에는 다항식 분류가 널리 사용되며, 텍스트(문장, 문단, 문서 등)는 미리 정의된 범주로 분류된다.

참고자료

· 광운대학교 전기공학과, 전기공학머신러닝, 8p.
· 서지영, 『딥러닝 텐서플로 교과서』, (서울: 도서출판 길벗, 1990)
· 박해선, 『혼자 공부하는 머신러닝 + 딥러닝』, (서울: 한빛 미디어, 1999)
· 오이석, 『머신러닝 첫 단추 끼우기』, (서울: 도서출판 홍릉, 1976)
· Litjens, G., Kooi, T., Bejnordi, B. E., Setio, A. A. A., Ciompi, F., Ghafoorian, M., van der Laak, J. A., van Ginneken, B., & Sánchez, C. I. (2018). A survey on deep learning in medical image analysis. Medical Image Analysis, 42, 60-88. https://doi.org/10.1016/j.media.2017.07.005