한국정보과학회:학술대회논문집 (Proceedings of the Korean Information Science Society Conference)
- 한국정보과학회 2003년도 가을 학술발표논문집 Vol.30 No.2 (1)
- /
- Pages.190-192
- /
- 2003
- /
- 1598-5164(pISSN)
점진적 앙상블 SVM을 이용한 고객 분류 시스템
Customer Classification System Using Incrementally Ensemble SVM
- 박상호 (인하대학교 컴퓨터 공학과) ;
- 이종인 (인하대학교 컴퓨터 공학과) ;
-
박선
(인하대학교 컴퓨터 공학과) ;
- 강윤희 (인하대학교 컴퓨터 공학과) ;
- 이주홍 (인하대학교 컴퓨터 공학과)
- Park, Sang-Ho (Dept. of Computer Science and Engineering, Inha University) ;
- Lee, Jong-In (Dept. of Computer Science and Engineering, Inha University) ;
-
Park, Sun
(Dept. of Computer Science and Engineering, Inha University) ;
- Kang, Yun-Hee (Dept. of Computer Science and Engineering, Inha University) ;
- Lee, Ju-Hong (Dept. of Computer Science and Engineering, Inha University)
- 발행 : 2003.10.01
초록
소비자의 신용 대출 규모가 점차 증가하면서 기업에서 고객의 신용 등급에 의한 정확한 고객 분류를 필요로 하고 있다 이를 위해 판별 분석과 신경망의 역전파(BP: Back Propagation)를 이용한 고객 분류 시스템이 연구되었다. 그러나, 판별 분석을 사용한 방법은 불규칙한 신용 거래의 성향을 보이는 비정규 분포의 고객 데이터의 영향으로 여러 개의 판별 함수와 판별점이 존재하여 분류 정확도가 떨어지는 단점이 있다. 신경망을 이용한 방법은 불규칙한 신용 거래의 성향을 보이는 고객 데이터에 의해서, 지역 최소점(Local Minima)에 빠져 최대의 분류 정확률을 보이는 분류자를 얻지 못하는 경우가 발생할 수 있다. 본 논문에서는 이러한 기존 연구의 분류 정확률을 저하시키는 단점을 해결하기 위해 SVM(Support Vector Machine)을 사용하여 고객의 신용 등급을 분류하는 방법을 제안한다. SVM은 SV(Support Vector)의 수에 의해서 학습 성능이 좌우되므로, 불규칙한 거래 성향을 보이는 고객에 대해서도 높은 차원으로의 매핑을 통하여, 효과적으로 학습시킬 수 있어 분류의 정확도를 높일 수 있다 하지만, SVM은 근사화 알고리즘(Approximation Algorithms)을 이용하므로 분류 정확도가 이론적인 성능에 미치지 못한다. 따라서, 본 논문은 점진적 앙상블 SVM을 사용하여, 기존의 고객 분류 시스템의 문제점을 해결하고 실제적으로 SVM의 분류 정확률을 높인다. 실험 결과는 점진적 앙상블 SVM을 이용한 방법의 정확성이 기존의 방법보다 높다는 것을 보여준다.
키워드