그룹 특징 선택 방법은 모델의 복잡도를 줄이기 위해 관련 없는 그룹 특징을 제거함으로써 중요한 그룹 특징을 선택한다. 그룹 특징 선택 방법 중에는 순위(ranking) 기법을 사용하는 방법이 몇 가지 있다. 순위 방법은 각 그룹의 상대적 중요도를 제공한다. 이를 위해 우리는 고차원 데이터에 대한 차원 축소 기법에 기반한 희소 그룹 특징 순위(sparse group feature ranking) 방법을 개발하였다. 첫째, 관련 없는 특징을 제거하기 위해 각 그룹에 대해 relief를 적용하였다. 둘째, 각 특징 그룹을 대표하는 새로운 특징을 추출한다. 이를 위해 각 특징 그룹에 대해 Fisher 선형 판별 분석(Fisher linear discriminant analysis, FDA)을 적용하여 그룹 특징의 차원을 단일 차원으로 축소한다. 마지막으로, 랜덤 포레스트를 적용한 뒤 다른 것들에 비해 중요도가 더 높은 중요한 특징을 선택함으로써 새로운 특징의 상대적 중요도를 추정한다. 이후 서로 다른 기계학습 알고리즘을 사용하여 모델을 학습하고 테스트하였다. 실험에서는 실제 상황의 고차원 데이터셋을 사용하여 제안 방법을 지도학습 기반 그룹 라쏘(supervised group lasso, SGL) 방법과 비교하였다. 그 결과, 제안 방법은 기존 그룹 특징 선택 방법과 마찬가지로 소수의 중요한 그룹 특징을 선택하며, 모든 그룹 특징에 대한 순위와 상대적 중요도를 제공함이 확인되었다. SGL은 로지스틱 회귀에서는 약간 더 나은 성능을 보였으나, 분류 성능 지표의 관점에서 제안 방법은 서포트 벡터 머신, 랜덤 포레스트, 그리고 그라디언트 부스팅에서 더 우수한 성능을 보였다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.