• Journal of the Korean Institute of Intelligent Systems
• /
• v.18 no.1
• /
• pp.94-99
• /
• 2008

In the pattern classification problem, feature selection is an important technique to improve performance of the classifiers. Particularly, in the case of classifying with a large number of features or variables, the accuracy of the classifier can be improved by using the relevant feature subset to remove the irrelevant, redundant, or noisy data. In this paper we propose a feature selection method using genetic algorithm and information theory. Experimental results show that this method can achieve better performance for pattern recognition problems than conventional ones.

• The Journal of the Convergence on Culture Technology
• /
• v.10 no.1
• /
• pp.591-601
• /
• 2024

As generative AI-based educational content and services targeting child users rapidly increase, the need for research related to children's perception of generative AI is increasing. Accordingly, this study sought to determine the type of generative AI recognized by children and whether cognitive, behavioral, and emotional properties were assigned to it. To understand this, we collected responses through workshop activities to create storybooks with children, semi-structured interviews, and drawing. As a result, children viewed generative AI as an artifact with a high cognitive level, but it was not a type of existing artifact.

• Journal of KIISE:Software and Applications
• /
• v.30 no.7_8
• /
• pp.764-772
• /
• 2003

The main thrust of our talk will be based on our experience in developing and applying an attribute-based classification technique in the context of an operational answer set driven retrieval system. To alleviate the difficulty and reduce the cost of manually constructing and maintaining answer sets, i.e., knowledge base, we have devised a new method of automating the answer document selection process by using the notion of attribute-based classification, which is in and of itself novel. We attempt to explain through experiments how helpful the proposed method is for the knowledge base construction process.

• Proceedings of the Korea Information Processing Society Conference
• /
• 2013.11a
• /
• pp.87-89
• /
• 2013

이 논문에서는 비침윤성 방광암 환자의 재발 예측을 위해 마이크로어레이 데이터에서 최적의 속성 부분 집합을 찾고 이를 비교 평가한다. 정보 이득(information gain)을 통해 구한 상위 40개, 80개, 100개의 속성 집합과 FCBF(fast correlation based filter) 알고리즘을 적용하여 구한 최적의 속성 부분집합을 SVM 분류 모델에 적용하여 정확도를 비교 평가한 결과 정보 이득을 적용한 상위 100개 속성 부분집합의 분류 정확도가 가장 높게 나왔으며, FCBF 알고리즘을 적용한 속성 집합은 비교적 적은 속성을 사용하면서 이와 비슷한 분류 정확도를 보임을 확인할 수 있었다.

• Korean Journal of Remote Sensing
• /
• v.15 no.3
• /
• pp.183-194
• /
• 1999

The Brightness, color and texture included in a multispectral satellite data are used as important factors to analyze and to apply the image data for a proper use. One of the most significant process in the satellite data analysis using texture or color information is to extract features effectively expressing the information of original image. It was described in this paper that six features were introduced to extract useful features from the analysis of the satellite data, and also a classification network using the back-propagation neural network was constructed to evaluate the classification ability of each vector feature in SPOT imagery. The vector features were adopted from the training set selection for the interesting region, and applied to the classification process. The classification results showed that each vector feature contained many merits and demerits depending on each vector's characteristics, and each vector had compatible classification ability. Therefore, it is expected that the color and texture features are effectively used not only in the classification process of satellite imagery, but in various image classification and application fields.

• Proceedings of the Korean Operations and Management Science Society Conference
• /
• 2003.05a
• /
• pp.586-590
• /
• 2003

고객 분류는 고객관계관리(CRM)의 한 부분으로서 기업에게 이익을 주는 고객의 속성과 구매패턴을 분석함으로써 목표 고객을 결정하는 것을 의미한다. 현재까지 고객 분류에 관한 연구는 특정한 시점에서 고객의 속성과 구매 패턴을 분석함으로써 이루어졌다. 그러나 인터넷 쇼핑몰과 같은 동적인 환경에 있어서 기존의 정적인 분석방법은 시간에 따라 지속적으로 변하는 고객의 행동 변화를 찾아내고, 예측하는데 적합하지 않다. 본 논문에서는 Decision Tree, ANOVA 분석, ARIMA 모형을 사용하여, 특정한 시점에서의 고객 분류뿐만 아니라 미래 시점에서의 고객 분류를 예측하고 패턴을 분석하는 동적인 고객 분류 방법을 제안한다. 동적인 고객 분류를 통해 인터넷 쇼핑몰 기업은 효율적인 마케팅 전략을 작성하여 기업의 이익을 증진시킬 수 있다.

• Proceedings of the Korea Inteligent Information System Society Conference
• /
• 2000.11a
• /
• pp.439-445
• /
• 2000

다차원의 속성들을 포함한 대용량의 데이터베이스 또는 점보 저장소의 데이터로부터 지식을 추출하고 이를 활용하기 위해서는 데이터 마이닝의 인공지능 기법 중 기계학습을 활용할 수 있다. 본 논문은 질의어를 바탕으로 각 작성들에 가중치를 적용하여 사용자가 원하는 데이터 집합을 분류하고, 사용자 피드백을 통하여 속성 가중치를 동적으로 변화시킴으로써 검색결과를 향상시키는 방법을 제안한다. 본 논문에서는 데이터 집합을 분류해내기 위해서 각 속성간의 거리에 가중치를 적용하는 k-nearest neighbor 분류법을 사용하였고, 속성 가중치를 동적으로 변화시키는 규칙을 추출하기 위한 방법으로는 결정 트리 생성에 의한 규칙(decision rule) 생성 방법을 적용하였다. 검색결과 향상을 \ulcorner이기 위한 실험으로써 온라인 커플매칭(online couple-matching) 시스템의 핵심부문을 구현하고 이를 적용하였다.

• Proceedings of the Korean Institute of Intelligent Systems Conference
• /
• 1998.03a
• /
• pp.11-15
• /
• 1998

일반적으로 러프집합은 지식베이스 시스템에서 근사공간을 이용한 불확실한 데이터의 분류, 추론 및 의사결정 등에 사용된다. 지식베이스 시스템의 데이터 중에서 연속적인 구간 특성을 갖는 정량적 속성값이 불연속적일 때 중복 또는 불일치 등의 불확실성이 발생된다. 본 논문은 러프집합의 정량적 속성값들의 정성적 속성으로 변환시킬 때 식별 불가능 영역에 있는 정량적 속성값들을 명확한 경계를 갖는 보조구간으로 분리하여 불확실성을 제거함으로써 러프집합의 분류능력을 향상시키는 방법을 제안한다.

• Proceedings of the KAIS Fall Conference
• /
• 2011.05a
• /
• pp.167-169
• /
• 2011

본 연구에서는 21세기 기술개발 방향 및 기술속성에 의해 분류된 새로운 분류법에 의한 기술체계도를 제시한다. 지금까지 배전기술개발 분류는 중장기연구개발 계획을 근거로 하여, 3개의 기술개발 분야로 분류되어 왔으나, 이 방법은 광범위한 기술개발 분야의 분류로 상호간의 중복되는 분야가 발생하거나, 새로운 기술 분야에 대한 기술 분류의 어려움이 상존해 있었다. 이러한 단점을 보완하기 위해, 본 연구에서는 기술의 전개방향과 속성을 기준으로 배전분야의 최종목표와 추진분야, 주요 기술개발과제(R&D과제)로 구성된 새로운 배전기술개발 체계도를 제시한다.

• Journal of the Korea Society of Computer and Information
• /
• v.25 no.11
• /
• pp.41-50
• /
• 2020

Sentimental analysis begins with the search for words that determine the sentimentality inherent in data. Managers can understand market sentimentality by analyzing a number of relevant sentiment words which consumers usually tend to use. In this study, we propose exploring performance of feature selection methods embedded with Particle Swarm Optimization Multi Objectives Evolutionary Algorithms. The performance of the feature selection methods was benchmarked with machine learning classifiers such as Decision Tree, Naive Bayesian Network, Support Vector Machine, Random Forest, Bagging, Random Subspace, and Rotation Forest. Our empirical results of opinion mining revealed that the number of features was significantly reduced and the performance was not hurt. In specific, the Support Vector Machine showed the highest accuracy. Random subspace produced the best AUC results.