부스팅(Boosting)은 주로 다양한 분류 문제에서 기본 분류기의 다양성을 증가시켜 그 우수성을 입증해 왔다. 그러나 실제로 분류에서의 목표 변수는 수치형 변수들로 구성되는 경우가 많으며, 이는 순서(ordinal) 정보를 보유한다. 그럼에도 불구하고 분류를 위한 기존 부스팅 알고리즘은 이러한 순서형 목표 변수를 반영하지 못하여 최적이 아닌 해를 초래한다. 본 논문에서는 순서형 목표 변수를 위한 다차원 인코딩 방식을 활용한 순서 인코딩 적응 부스팅(ordinal encoding adaptive boosting, AdaBoost)의 새로운 알고리즘을 제안한다. 원래의 이진 분류 AdaBoost를 확장하여, 제안된 알고리즘은 다중 클래스 지수 손실 함수(multi-class exponential loss function)를 갖추고 있다. 우리는 제안 알고리즘이 베이즈 분류기(Bayes classifier)를 달성하며, 전방 단계적 가법 모델링(forward stagewise additive modeling)을 구축함을 보인다. 또한 기저 학습기(base learner)로 신경망(neural network)을 사용하여 제안 알고리즘의 성능을 시연한다. 실험 결과, 제안 알고리즘은 다양한 순서형 데이터셋에서 기존 부스팅 알고리즘보다 우수한 성능을 보임을 확인하였다.

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