초록
기존에 제안되어온 판별분석 기법이 대상으로 하는 대부분의 자료는 각 개체가 어느 한 특정한 집단에 전적으로 소속되어 있는 것으로 국한되어 왔다. 그러나 오늘날 (0-1)의 이치논리가 퍼지(Fuzzy) 개념과 다치논리로 확장되는 현상은 어느 한 개체를 꼭 한개의 집단에만 국한시키는 관점 역시 변화를 요구하고 있다고 본다. 이에 본 논문에서는 한 개체가 어떤 소속확률을 갖고 여러개의 집단에 소속되어 있는 상황을 고려하여 이러한 개체들로 구성된 학습표본으로부터 판별분석 규칙을 개발하는 것을 목표로 하였다. 방법론으로는 개체들의 특성벡터와 소속상태의 관계를 역추정(calibration) 모형으로 표현하고 판별대상개체의 특성벡터가 주어졌을 때 소속상태를 추정하도록 하며 이때 추정은 베이지안 방법, Metropolis 알고리즘 등을 사용하였다. 또한 제안된 판별규칙의 평가를 위한 기준을 제안하고 두개의 자료를 기존의 다른 규칙들과 함께 분석하여 결과를 비교하였다.
Most of the data sets to which the conventional discriminant rules have been applied contain only those which belong to one and only one class among the classes of interest. However the extension of the bivalence to multivlaence like Fuzzy concepts strongly influence the traditional view that an object must belong to only class. Thus the goal of this paper is to develop new discriminant rules which can handle the data each object of which may belong to moer than two classes with certain degrees of belongings. A calibration model is used for the relationship between the feature vector of an object and the degree of belongings and a Bayesian inference is made with the Metropolis algorithm on the degree of belongings when a feature vector of an object whose membership is unknown is given. An evalution criterion is suggested for the rules developed in this paper and comparision study is carried using two training data sets.