커널 피셔 판별 분석 기반 트리 앙상블 분류기: KFDA Forest
A Kernel Fisher Discriminant Analysis-Based Tree Ensemble Classifier: KFDA Forest
일반적으로 앙상블 분류기는 단일 분류기보다 정확도가 높다. 본 연구에서는 KFDA를 적용한 트리 기반 앙상블 방법인 커널 피셔 판별 분석 포레스트(KFDA Forest)를 제안한다. 다양성을 높이기 위해 부트스트랩을 사용하며, 변수 집합을 무작위로 K개의 부분 집합으로 나눈다. 분류 정확도를 높이기 위해 각 부분 집합에 대해 KFDA를 수행한다. KFDA는 클래스 간 거리를 최대화하는 동시에 클래스 내 거리를 최소화한다. 또한 KFDA는 입력 공간을 커널 특징 공간으로 변환할 수 있어—이를 흔히 회전(rotation)이라 부르며, 차원 축소를 수행하는 것이 아니라—커널 트릭을 사용하여 비선형 데이터 구조의 분류 문제에도 적용할 수 있다. 새로운 특징 축과 KFDA 투영이 평행하기 때문에 기본 분류기로 결정 트리를 사용한다. 제안된 방법을 기존 앙상블 방법과 비교하기 위해 UCI 및 KEEL 저장소의 실제 데이터셋에 적용한다.