1 |
1
예측 모델들 각각의 입력 데이터에 대한 예측치를 수집하는 단계;상기 예측치를 입력으로 하는 미리 학습된 앙상블 모델을 이용하여 상기 예측 모델들 각각의 모델 가중치를 계산하는 단계;미리 결정된 최적 모델 조합 파라미터를 이용하여 상기 모델 가중치 중 적어도 일부의 모델 가중치를 선택하는 단계; 및상기 선택된 모델 가중치와 상기 선택된 모델 가중치에 대응하는 예측 모델의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계를 포함하는, 앙상블 예측 방법
|
2 |
2
제1항에 있어서,상기 적어도 일부의 모델 가중치를 선택하는 단계는,상기 최적 모델 조합 파라미터와 상기 예측 모델들 각각의 모델 가중치를 이용하여 예측 모델 수를 결정하고, 상기 결정된 예측 모델 수에 해당하는 높은 값의 모델 가중치를 선택하는, 앙상블 예측 방법
|
3 |
3
제1항에 있어서,상기 앙상블 예측 방법은,상기 선택된 모델 가중치에 대한 정규화 과정을 통해 최적 모델 가중치를 계산하는 단계를 더 포함하고,상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계는,상기 최적 모델 가중치와 상기 선택된 모델 가중치에 대응하는 예측 모델의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 방법
|
4 |
4
제3항에 있어서,상기 최적 모델 가중치를 계산하는 단계는,상기 최적 모델 조합 파라미터와 상기 선택된 모델 가중치를 이용하여 정규화 임계치를 계산하고, 상기 정규화 임계치에 기초하여 상기 최적 모델 가중치를 계산하는, 앙상블 예측 방법
|
5 |
5
제3항에 있어서,상기 최적 모델 가중치를 계산하는 단계는,상기 최적 모델 조합 파라미터가 적용된 Sparse-max에 기초하여 상기 최적 모델 가중치를 계산하는, 앙상블 예측 방법
|
6 |
6
제3항에 있어서,상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계는,상기 최적 모델 가중치를 해당 예측 모델의 예측치에 가중합(weighted sum)함으로써, 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 방법
|
7 |
7
예측 모델들 각각의 검증 데이터에 대한 예측치와 미리 학습된 앙상블 모델을 이용하여 최고의 정확도를 산출하는 최적 모델 조합 파라미터를 결정하는 단계;상기 예측 모델들 각각의 입력 데이터에 대한 예측치와 상기 앙상블 모델을 이용하여 상기 예측 모델들 각각의 모델 가중치를 계산하는 단계;상기 최적 모델 조합 파라미터를 이용하여 상기 모델 가중치 중 적어도 일부의 모델 가중치를 선택하는 단계; 및상기 선택된 모델 가중치와 상기 선택된 모델 가중치에 대응하는 상기 입력 데이터의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계를 포함하는, 앙상블 예측 방법
|
8 |
8
제7항에 있어서,상기 최적 모델 조합 파라미터를 결정하는 단계는,상기 앙상블 모델을 이용하여 상기 검증 데이터에 대한 상기 예측 모델들 각각의 모델 가중치를 계산하는 단계;후보 모델 조합 파라미터들 각각에 대하여, 상기 검증 데이터의 모델 가중치에 대한 최적 모델 가중치를 계산하는 단계;상기 후보 모델 조합 파라미터들 각각에 대하여, 상기 검증 데이터의 최적 모델 가중치를 이용하여 앙상블 예측치를 계산하는 단계; 및상기 후보 모델 조합 파라미터들 중 상기 검증 데이터의 앙상블 예측치에 대한 예측 오차가 최소인 후보 모델 조합 파라미터를 상기 최적 모델 조합 파라미터로 결정하는 단계를 포함하는, 앙상블 예측 방법
|
9 |
9
제8항에 있어서,상기 검증 데이터의 모델 가중치에 대한 최적 모델 가중치를 계산하는 단계는,상기 후보 모델 조합 파라미터들 각각과 상기 검증 데이터의 모델 가중치를 이용하여 상기 후보 모델 조합 파라미터들 각각의 예측 모델 수를 결정하는 단계;상기 후보 모델 조합 파라미터들 각각에 대하여, 상기 결정된 예측 모델 수에 해당하는 높은 값의 상기 검증 데이터의 모델 가중치를 선택하는 단계; 및상기 후보 모델 조합 파라미터들 각각에 대하여, 상기 선택된 검증 데이터의 모델 가중치에 대한 정규화 과정을 통해 최적 모델 가중치를 계산하는 단계를 포함하는, 앙상블 예측 방법
|
10 |
10
제9항에 있어서,상기 최적 모델 가중치를 계산하는 단계는,상기 후보 모델 조합 파라미터들 각각과 상기 선택된 검증 데이터의 모델 가중치를 이용하여 정규화 임계치를 계산하고, 상기 후보 모델 조합 파라미터들 각각의 정규화 임계치에 기초하여 상기 후보 모델 조합 파라미터들 각각에 대한 최적 모델 가중치를 계산하는, 앙상블 예측 방법
|
11 |
11
제7항에 있어서,상기 적어도 일부의 모델 가중치를 선택하는 단계는,상기 최적 모델 조합 파라미터와 상기 예측 모델들 각각의 모델 가중치를 이용하여 예측 모델 수를 결정하고, 상기 결정된 예측 모델 수에 해당하는 높은 값의 모델 가중치를 선택하는, 앙상블 예측 방법
|
12 |
12
제7항에 있어서,상기 앙상블 예측 방법은,상기 선택된 모델 가중치에 대한 정규화 과정을 통해 최적 모델 가중치를 계산하는 단계를 더 포함하고,상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계는,상기 최적 모델 가중치와 상기 선택된 모델 가중치에 대응하는 상기 입력 데이터의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 방법
|
13 |
13
제12항에 있어서,상기 최적 모델 가중치를 계산하는 단계는,상기 최적 모델 조합 파라미터와 상기 선택된 모델 가중치를 이용하여 정규화 임계치를 계산하고, 상기 정규화 임계치에 기초하여 상기 최적 모델 가중치를 계산하는, 앙상블 예측 방법
|
14 |
14
제12항에 있어서,상기 입력 데이터에 대한 앙상블 예측치를 산출하는 단계는,상기 최적 모델 가중치를 상기 입력 데이터의 예측치에 가중합(weighted sum)함으로써, 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 방법
|
15 |
15
예측 모델들 각각의 검증 데이터에 대한 예측치와 미리 학습된 앙상블 모델을 이용하여 최고의 정확도를 산출하는 최적 모델 조합 파라미터를 결정하는 결정부;상기 예측 모델들 각각의 입력 데이터에 대한 예측치와 상기 앙상블 모델을 이용하여 상기 예측 모델들 각각의 모델 가중치를 계산하는 가중치 예측부;상기 최적 모델 조합 파라미터를 이용하여 상기 모델 가중치 중 적어도 일부의 모델 가중치를 선택하는 최적화부; 및상기 선택된 모델 가중치와 상기 선택된 모델 가중치에 대응하는 상기 입력 데이터의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는 앙상블 예측부를 포함하는, 앙상블 예측 장치
|
16 |
16
제15항에 있어서,상기 결정부는,상기 앙상블 모델을 이용하여 상기 검증 데이터에 대한 상기 예측 모델들 각각의 모델 가중치를 계산하고,후보 모델 조합 파라미터들 각각에 대하여, 상기 검증 데이터의 모델 가중치에 대한 최적 모델 가중치를 계산하며,상기 후보 모델 조합 파라미터들 각각에 대하여, 상기 검증 데이터의 최적 모델 가중치를 이용하여 앙상블 예측치를 계산하고,상기 후보 모델 조합 파라미터들 중 상기 검증 데이터의 앙상블 예측치에 대한 예측 오차가 최소인 후보 모델 조합 파라미터를 상기 최적 모델 조합 파라미터로 결정하는, 앙상블 예측 장치
|
17 |
17
제15항에 있어서,상기 최적화부는,상기 최적 모델 조합 파라미터와 상기 예측 모델들 각각의 상기 입력 데이터에 대한 모델 가중치를 이용하여 예측 모델 수를 결정하고, 상기 결정된 예측 모델 수에 해당하는 높은 값의 모델 가중치를 선택하는, 앙상블 예측 장치
|
18 |
18
제15항에 있어서,상기 최적화부는,상기 선택된 모델 가중치에 대한 정규화 과정을 통해 최적 모델 가중치를 계산하고,상기 앙상블 예측부는,상기 최적 모델 가중치와 상기 선택된 모델 가중치에 대응하는 상기 입력 데이터의 예측치에 기초하여 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 장치
|
19 |
19
제18항에 있어서,상기 최적화부는,상기 최적 모델 조합 파라미터와 상기 선택된 모델 가중치를 이용하여 정규화 임계치를 계산하고, 상기 정규화 임계치에 기초하여 상기 최적 모델 가중치를 계산하는, 앙상블 예측 장치
|
20 |
20
제18항에 있어서,상기 앙상블 예측부는,상기 최적 모델 가중치를 상기 입력 데이터의 예측치에 가중합(weighted sum)함으로써, 상기 입력 데이터에 대한 앙상블 예측치를 산출하는, 앙상블 예측 장치
|