[WIDA] 3팀_2차 보고서

다중 클래스 분류(multi-class classification)**이 가능한 모델을 중심으로, 이상 신호를 보다 세밀하게 탐지하고자 하였다.

그 중에서 로지스틱 회귀(다중 클래스 확장), 랜덤포레스트, K-최근접 이웃(KNN) 세 가지 모델을 선택하여 적용하였다.

[모델 선정 기준]

• 다중 클래스 분류 가능
• 이상 상태의 특징을 포착할 수 있는가
• 적용의 해석 가능성 또는 확장 가능성

[로지스틱 회귀(다중 클래스) 선정 이유]

로지스틱 회귀는 원래 이진 분류에서 사용되었지만, 소프트맥스 함수를 사용하면 다중 클래스에서도 분석 가능

1. 여러 이상 유형을 확률적으로 분류 가능이상 발생 가능성을 정량적으로 비교 가능
2. 어떤 이상인지 직관적으로 해석 가능
3. 이상 클래스 간 경계가 비교적 뚜렷할 때 효과적
4. 피처가 일정 분표를 가지며 클래스 간 평균적 차이가 존재할 경우, 로지스틱 회귀는 선형 경계를 통해 구분을 효과적임

          

[랜덤 포레스트 선정 이유]

1. 비선형적 이상 패턴을 탐지하는 데 강함여러 결정트리를 통해 다양한 기준으로 데이터를 분할하기에 규칙 기반 패턴을 조합하여 강력한 분류 성능을 가짐 > 복잡한 이상 신호를 탐지할 수 있는 모델
2. 단순 변화가 아닌, 여러 변수 간 조합에서만 발생하는 비선형적 패턴인 경우에 적음
3. 배깅 구조 덕분에 과적합을 방지할 수 있음

[KNN 선정 이유]

1. KNN은 데이터 공간에서 가까운 이웃을 기반으로 분류하는 모델로, 데이터 공간상의 이상 분포를 탐지하게에 적합
2. 이상 신호는 정상 신호보다 주변에 유사값이 거의 없거나, 특정 영역에 소수만 존재하는 밀도 기반 이상 특징을 보이는 경향이 있음
3. 구조적 패턴이 강한 이상 탐지에서 유리
4. 데이터가 cluster 형태로 구분되는 경우 강력
5. 모델 가정이 없어 다양한 이상 탐지 에서 유연KNN은 데이터 분포 가정이 없고, 비모수 모델이라 어떤 형태의 이상 패턴도 직접적으로 반영 가능
6. 로지스틱은 선형을 가정하고, 랜덤포레스트는 트리 구조를 기반으로 함.

[모델 선정 결론]

세 모델은 서로 다른 방식으로 이상 탐지를 한다는 점에서 보완적

 

[진행 상황

세 모델 각각 분석 진행하고, 하이퍼파라미터 조정 중