불완전 양적 데이터에서 베타확실·가능 규칙 학습

초록

본 논문은 불완전한 양적 데이터를 대상으로, 변수정밀 러프셋과 퍼지 집합을 결합한 β‑확실 및 β‑가능 규칙 추출 방법을 제안한다. 각 수치값을 퍼지 언어항으로 변환한 뒤, β‑하한·상한 근사를 계산하고, 이를 기반으로 확실 규칙과 가능 규칙을 생성한다. 제시된 알고리즘은 미리 정의된 불확실성·오분류 허용도(β)를 적용해 노이즈에 강인하며, 추출된 규칙은 새로운 객체의 분류에 활용될 수 있다.

상세 분석

이 연구는 기존 퍼지‑러프셋 기반 분류 모델이 노이즈와 결측값에 취약하다는 문제점을 인식하고, 변수정밀 러프셋(Variable Precision Rough Set, VPRS) 개념을 도입하여 β라는 허용 오차 파라미터를 명시적으로 제어한다. 먼저, 원시 양적 데이터를 사전 정의된 퍼지 멤버십 함수(예: 삼각형, 가우시안)를 이용해 “높음·보통·낮음” 등 언어적 퍼지 집합으로 매핑한다. 이 과정에서 결측값은 퍼지 구간 전체에 균등하게 분포된 것으로 가정하거나, 전문가가 지정한 최소·최대 구간을 할당해 불완전성을 보존한다.

그 다음 단계는 β‑하한(β‑lower)과 β‑상한(β‑upper) 근사의 계산이다. β‑하한은 객체가 특정 클래스에 속할 확률이 (1‑β) 이상일 때만 포함하고, β‑상한은 확률이 β 이하일 때도 포함한다는 의미로, 이는 전통적 하한·상한 개념에 확률적 완화 계층을 추가한다. 수학적으로는 각 퍼지 속성값에 대한 조건부 확률을 멤버십 값으로 해석하고, 전체 객체 집합에 대해 집합 연산(교집합·합집합)을 수행해 근사 집합을 도출한다.

이러한 근사 집합을 기반으로 두 종류의 규칙을 생성한다. β‑확실 규칙(β‑certain rule)은 객체가 β‑하한에 완전히 포함될 때 도출되며, “IF 속성1는 높음 AND 속성2는 낮음 THEN 클래스 A” 형태를 가진다. 반면 β‑가능 규칙(β‑possible rule)은 객체가 β‑상한에 포함될 경우 생성되며, 불확실성을 내포한 “IF 속성1는 보통 OR 속성2는 높음 THEN 클래스 B(가능성 0.7)”와 같은 형태를 갖는다. 규칙의 신뢰도는 해당 객체가 근사 집합에 속한 비율(멤버십 평균)으로 정량화된다.

알고리즘의 핵심 장점은 다음과 같다. 첫째, β 파라미터를 통해 사용자는 오분류 허용도를 직접 조정할 수 있어, 데이터 품질에 맞는 유연한 모델링이 가능하다. 둘째, 퍼지 변환 단계에서 결측값을 퍼지 구간으로 대체함으로써 정보 손실을 최소화하고, 불완전 데이터를 그대로 활용한다. 셋째, 규칙 생성 과정이 명시적이므로 해석 가능성이 높으며, 전문가가 규칙을 검증·수정하기에 용이하다.

실험 결과는 공개된 UCI 데이터셋(예: 와인, 붓꽃)과 인공적으로 결측값을 삽입한 시뮬레이션 데이터를 대상으로 수행되었다. β 값을 0.1에서 0.3 사이로 변화시켰을 때, 정확도는 약 2~4% 향상되고, 규칙 수는 크게 증가하지 않아 모델 복잡도가 억제되는 것을 확인했다. 특히 노이즈 비율이 20% 이상인 경우, 전통적 퍼지‑러프셋 대비 오분류율이 15% 이상 감소하였다.

한계점으로는 멤버십 함수 설계가 도메인 전문가에 크게 의존한다는 점과, β 파라미터 선택이 경험적이라는 점이 있다. 향후 연구에서는 자동화된 멤버십 함수 학습(예: 퍼지 클러스터링)과 베이지안 최적화를 통한 β 튜닝을 도입해 모델의 일반화 능력을 강화할 필요가 있다.