유전 알고리즘 탐색을 이용한 랜덤 탐색 대비 효율적인 기계학습 시스템 구성을 위한 연구

Abstract

기계학습 모델을 활용하는 분류 및 회귀 문제 해결을 위한 시스템은 크게 기계학습 모델에 적용하기 위해 데이터를 가공하는 전처리 과정과 데이터를 적용하여 학습 및 예측을 진행하는 기계학습 모델로 구성된다. 여기서 전처리 과정은 일반적으로 데이터 크기 변환, 특징 구축, 특징 선택, 차원 축소 등을 포함하며, 분류 문제의 경우 학습 데이터의 클래스 비율을 조절하는 데이터 재조정을 추가로 고려할 수 있다. 이처럼 기계학습 시스템은 각 단계별로 여러 종류의 알고리즘과 파라미터를 고려할 수 있기 때문에 다양한 형태로 구성을 할 수 있다. 하지만 시스템의 합리적인 성능을 위해서는 주어진 데이터와 잘 부합하는 시스템 구성의 해를 찾는 과정이 필수적으로 요구된다. 본 논문에서는 유전 알고리즘의 진화 과정 중 각 기계학습 모델 그룹의 평균 제곱 오차 정보를 기반으로 특정 기계학습 모델 그룹에 대한 집중 탐색을 유도하는 방법을 제안하였으며, 랜덤 탐색과의 비교를 통해 여러 데이터에 대한 결과로부터 제안한 유전 알고리즘의 평균 성능과 안정성을 확인한다. 마지막으로 결론에서는 집중 탐색을 유도하는 방법의 한계점을 확인하여 본 논문에서 제안하는 탐색 방법의 개선점을 확인한다.