간단한 데이터 이산화 기법

초록

데이터 이산화는 연속형 특성을 이산형으로 변환해 분류기의 성능을 높이는 핵심 전처리 단계이다. 본 논문은 기존 최소 정보 손실(MIL) 알고리즘을 수정한 새로운 지도학습 기반 이산화 방법을 제안하고, J48 분류기와 함께 실험하여 원래 MIL 및 MDLP와 비교했을 때 정확도 향상을 확인한다.

상세 분석

본 연구는 데이터 이산화 과정에서 정보 손실을 최소화하면서 분류 정확도를 극대화하는 것을 목표로 한다. 기존 MIL 알고리즘은 각 연속형 속성을 구간으로 나누고, 구간 경계 선택 시 정보 이득을 기준으로 최소 손실을 추구한다. 그러나 MIL은 구간 수를 사전에 정하지 않으며, 경계 탐색 과정에서 과도한 구간 분할이 발생해 과적합 위험이 존재한다. 이를 보완하기 위해 저자들은 두 가지 핵심 개선점을 도입하였다. 첫째, 클래스 레이블을 활용한 지도학습 방식으로 각 구간의 클래스 분포를 정밀히 평가한다. 구간 내 클래스 비율이 일정 임계값 이하로 불균형할 경우, 해당 구간을 추가로 분할하여 클래스 구분력을 강화한다. 둘째, 구간 병합 단계에서 최소 설명 길이 원칙(MDLP)과 유사한 비용 함수를 적용해 불필요한 구간을 통합한다. 이때 비용 함수는 구간 내 엔트로피 감소량과 구간 수 증가에 따른 모델 복잡도 상승을 동시에 고려한다. 이러한 두 단계는 정보 손실을 최소화하면서도 구간 수를 적절히 제어해 과적합을 방지한다. 실험에서는 UCI 머신러닝 저장소의 여러 표준 데이터셋을 대상으로 J48(C4.5) 분류기와 결합해 성능을 평가하였다. 결과는 수정된 MIL이 원본 MIL 및 MDLP에 비해 평균 23% 정도의 정확도 향상을 보였으며, 특히 클래스 불균형이 심한 데이터셋에서 그 효과가 두드러졌다. 그러나 구간 탐색 과정에서 추가적인 계산 비용이 발생해 실행 시간이 기존 방법보다 약 1015% 증가하는 단점도 보고되었다. 전반적으로 본 논문은 기존 이산화 기법의 한계를 명확히 진단하고, 지도학습 기반의 동적 구간 조정 메커니즘을 통해 실용적인 성능 개선을 달성한 점이 의의다.