A comparison study of machine learning methods with multi-modality

Abstract

Random forest and SVM exist in representative classification model, and KSVM exists as model to consider multimodality. However, merely combining three data shows that there is a limit to predictability and that further work is needed. Therefore, in this study, we propose a method to obtain the probability of being addicted to each data and give the weight to the probability to obtain the final probability. As a result of previous chapter, we confirmed that the random forest is the best methodology. So we fixed the model for the clinical data to the Random Forest, then compared two models that applying KSVM(kernel: polynomial) and RF with other data. As a result, 30%, 30%, and 40% of the weights were assigned to each model using Random Forest. However, the fact that only KSVM is considered as a solution to solve multimodality is an unsatisfactory point of this study and we hope to see further research.;지도 학습의 하나인 분류 방법론에 있어서 Support Vector Machine(SVM), Random Forest, Neural Networks 등 다양한 머신 러닝 방법이 그동안 많이 도입되었다. 특히 최근에는 여러 경로에서 얻은 자료들이 가능해지는 경우가 많고, 이들 자료는 같은 샘플에 대하여 얻어진 것이므로 서로 연관성이 높은 경우가 많다. 두 자료를 단순 결합하여 한 자료로 가정하여 기존의 머신 러닝 기법들을 사용하는 것 보다 자료를 보다 효과적으로 통합하여 분석하는 머신 러닝 기법들이 보다 높은 예측 성능을 낼 수 있다. 본 연구에서는 기존 머신 러닝 방법들과 이러한 multimodality를 반영한 머신 러닝 기법들을 비교하여 자료를 분석하고자 한다. 본 연구에서 다루는 실제 자료는 우리나라 인터넷 중독, 알코올 중독과 정상군 샘플에 대해 모은 뇌 영상자료와 뇌 신호 자료로, 이를 통합하여 예측력이 얼마나 개선되는지 확인한다.