본문 바로가기 주메뉴 바로가기
22대 대한민국 국회 국회정보길라잡이 국회의원검색
회원가입 로그인
HOME

정보검색

소장정보 검색

국회도서관 홈으로 정보검색 소장정보 검색
결과 내 검색 동의어 포함
결과 내 검색 동의어 포함

-

목차보기

표제지

Abstract

목차

Ⅰ. 서론 14

Ⅱ. 연구 방법 17

1. 생존자료분석 17

1) 생존자료와 중도절단 17

2) Cox의 비례위험모형 17

2. 오버샘플링(Oversampling) 19

1) 랜덤 오버샘플링(Random oversampling) 19

2) SMOTE(Synthetic Minority Oversampling Technique) 19

3) Borderline SMOTE 21

4) ADASYN(Adaptive Synthetic sampling) 22

3. 언더샘플링(Undersampling) 23

1) 랜덤 언더샘플링(Random undersampling) 23

2) Edited Nearest Neighbor 24

3) Tomek link 25

4) One Sided Selection 26

Ⅲ. 모의실험 27

1. 모의실험 목적 27

2. 모의실험 설계 28

3. 모의실험 결과의 평가 30

1) 편향(Bias) 30

2) C-index 30

3) iAUC(integrated Area Under Curve) 31

4. 모의실험 결과 33

1) 편향 34

2) C-index 51

3) iAUC 73

Ⅳ. 고찰 95

Ⅴ. 결론 97

참고문헌 98

국문요약 100

표목차

Table 1. Simulation scenarios 29

Table 2. Bias of estimated coefficients in Cox proportional model in simulation 1 (n＝250) 35

Table 3. Bias of estimated coefficients in Cox proportional model in simulation 1 (n＝500) 36

Table 4. Bias of estimated coefficients in Cox proportional model in simulation 1 (n＝1,000) 37

Table 5. Bias of estimated coefficients in Cox proportional model in simulation 1 (n＝5,000) 38

Table 6. Bias of estimated coefficients in Cox proportional model in simulation 2 (n＝250) 39

Table 7. Bias of estimated coefficients in Cox proportional model in simulation 2 (n＝500) 40

Table 8. Bias of estimated coefficients in Cox proportional model in simulation 2 (n＝1,000) 41

Table 9. Bias of estimated coefficients in Cox proportional model in simulation 2 (n＝5,000) 42

Table 10. Bias of estimated coefficients in Cox proportional model in simulation 3 (n＝250) 43

Table 11. Bias of estimated coefficients in Cox proportional model in simulation 3 (n＝500) 45

Table 12. Bias of estimated coefficients in Cox proportional model in simulation 3 (n＝1,000) 47

Table 13. Bias of estimated coefficients in Cox proportional model in simulation 3 (n＝5,000) 49

Table 14. C-index of Cox proportional hazard model with oversampling (n＝250) 53

Table 15. C-index of Cox proportional hazard model with undersampling (n＝250) 54

Table 16. C-index of Cox proportional hazard model with oversampling (n＝500) 55

Table 17. C-index of Cox proportional hazard model with undersampling (n＝500) 56

Table 18. C-index of Cox proportional hazard model with oversampling (n＝1,000) 57

Table 19. C-index of Cox proportional hazard model with undersampling (n＝1,000) 58

Table 20. C-index of Cox proportional hazard model with oversampling (n＝5,000) 59

Table 21. C-index of Cox proportional hazard model with undersampling (n＝5,000) 60

Table 22. integrated AUC of Cox proportional hazard model with oversampling (n＝250) 75

Table 23. integrated AUC of Cox proportional hazard model with undersampling (n＝250) 76

Table 24. integrated AUC of Cox proportional hazard model with oversampling (n＝500) 77

Table 25. integrated AUC of Cox proportional hazard model with undersampling (n＝500) 78

Table 26. integrated AUC of Cox proportional hazard model with oversampling (n＝1,000) 79

Table 27. integrated AUC of Cox proportional hazard model with undersampling (n＝1,000) 80

Table 28. integrated AUC of Cox proportional hazard model with oversampling (n＝5,000) 81

Table 29. integrated AUC of Cox proportional hazard model with undersampling (n＝5000) 82

그림목차

Figure 1. Random oversampling 19

Figure 2. SMOTE 20

Figure 3. Borderline SMOTE 22

Figure 4. Random undersampling 24

Figure 5. Edited Nearest Neighbor 25

Figure 6. Tomek link 26

Figure 7. One Sided Selection 26

Figure 8. C-index of Cox proportional hazard model in scenario 1 (n＝250) 61

Figure 9. C-index of Cox proportional hazard model in scenario 2 (n＝250) 62

Figure 10. C-index of Cox proportional hazard model in scenario 3 (n＝250) 63

Figure 11. C-index of Cox proportional hazard model in scenario 1 (n＝500) 64

Figure 12. C-index of Cox proportional hazard model in scenario 2 (n＝500) 65

Figure 13. C-index of Cox proportional hazard model in scenario 3 (n＝500) 66

Figure 14. C-index of Cox proportional hazard model in scenario 1 (n＝1,000) 67

Figure 15. C-index of Cox proportional hazard model in scenario 2 (n＝1,000) 68

Figure 16. C-index of Cox proportional hazard model in scenario 3 (n＝1,000) 69

Figure 17. C-index of Cox proportional hazard model in scenario 1 (n＝5,000) 70

Figure 18. C-index of Cox proportional hazard model in scenario 2 (n＝5,000) 71

Figure 19. C-index of Cox proportional hazard model in scenario 3 (n＝5,000) 72

Figure 20. integrated AUC of Cox proportional hazard model in scenario 1 (n＝250) 83

Figure 21. integrated AUC of Cox proportional hazard model in scenario 2 (n＝250) 84

Figure 22. integrated AUC of Cox proportional hazard model in scenario 3 (n＝250) 85

Figure 23. integrated AUC of Cox proportional hazard model in scenario 1 (n＝500) 86

Figure 24. integrated AUC of Cox proportional hazard model in scenario 2 (n＝500) 87

Figure 25. integrated AUC of Cox proportional hazard model in scenario 3 (n＝500) 88

Figure 26. integrated AUC of Cox proportional hazard model in scenario 1 (n＝1,000) 89

Figure 27. integrated AUC of Cox proportional hazard model in scenario 2 (n＝1,000) 90

Figure 28. integrated AUC of Cox proportional hazard model in scenario 3 (n＝1,000) 91

Figure 29. integrated AUC of Cox proportional hazard model in scenario 1 (n＝5,000) 92

Figure 30. integrated AUC of Cox proportional hazard model in scenario 2 (n＝5,000) 93

Figure 31. integrated AUC of Cox proportional hazard model in scenario 3 (n＝5,000) 94

초록보기

목적: 반응변수의 계급이 불균형인 자료는 현실에서 쉽게 찾을 수 있다. 계급 불균형 자료에 대해 예측을 할 때 소수 계급에 대한 예측력은 떨어지는 문제가 발생한다. 이를 해결하기 위해 기존의 데이터를 표본추출 방법을 통해 불균형 문제를 해결하는 재표본 방법이 있다. 재표본 방법에는 소수 계급의 데이터를 늘리는 오버샘플링과 다수 계급의 데이터를 줄이는 언더샘플링 방법이 있다. 생존자료에서는 중도절단된 자료로 인해 환자의 위험 요인을 파악하고 위험을 예측하는데 어려움이 따른다. 따라서 본 논문은 중도절단 여부를 계급으로 간주하여 재표본 방법을 사용했을 때 중도절단 비율이 높은 경우의 예측력이 향상되는지 평가하고자 한다.

방법: 모의실험을 통해 다양한 중도절단 비율에 따른 생존자료를 생성한 후, 중도절단 여부를 계급으로 간주하여 재표본 방법을 사용한다. 오버샘플링 방법으로 랜덤 오버샘플링, SMOTE, Borderline SMOTE, ADASYN을 사용하고 언더샘플링 방법으로 랜덤 언더샘플링, Edited Nearest Neighbor, Tomek link, One Sided Selection을 사용한다. 재표본 방법을 사용한 후, Cox의 비례위험 모형에 적합하여 먼저 추정된 계수의 편향을 평가한다. 최종으로 각 재표본 방법에 따른 Cox 비례위험 모형의 예측 성능을 C-index와 iAUC를 통해 종합적으로 평가한다.

결과: 중도절단 비율에 따른 생존자료에서 재표본 방법을 사용하여 예측력을 평가한 모의실험 결과, 중도절단 비율이 30%인 경우에는 재표본 방법을 사용하지 않은 경우가 사용한 경우에 비해 예측력이 높았다. 중도절단 비율이 70%와 90%인 경우, 오버샘플링 방법은 재표본 방법을 사용하지 않은 경우에 비해 전반적으로 예측력이 떨어졌으나 랜덤 언더샘플링을 제외한 언더샘플링 방법들은 차이는 미미하였으나 더 나은 예측 성능을 보였다.

결론: 희귀질환과 같이 관심 사건이 드물게 발생하는 잘 예측하는 것이 중요하다. 이를 위해 중도절단 비율이 높은 경우, 재표본 방법을 사용하여 예측력을 향상시킬 수 있는지를 고려할 수 있다. 모의실험 결과, 예측력 향상의 정도가 크진 않았지만 조금이라도 예측력을 높여야 하는 경우, 재표본 방법은 적절한 모델링 방법과 함께 사용한다면 좋은 대안이 될 수 있다.

추천서가 (다양한 추천 자료를 만나보세요)

권호기사보기

권호기사 목록 테이블로 기사명, 저자명, 페이지, 원문, 기사목차 순으로 되어있습니다.
기사명 저자명 페이지 원문 기사목차