A Cooperative Game-Based Multi-Criteria Weighted Ensemble Approach for Multi-Class Classification

4차 산업 혁명 이후 AI기술이 여러 분야에서 광범위하게 사용되고 있지만, 과대/과소 적합, 클래스 불균형, 모델 별 특성에 기인한 표현(가설공간) 의 한계와 같은 문제점 또한 부각되고 있다. 이를 극복하기 위한 방법으로 앙상블(모델 결합) 이 ML에서 광범위하게 사용되고 있다. 특히 투표 앙상블은 다양한 가중치 부여 방법이 연구되어, 이에 따른 성능 향상을 보여주고 있다. 하지만 기존 방법의 경우 한가지 평가지표만을 고려한다는 점에서 정보의 반영에 한계가 존재한다. 따라서, 본 논문에서는 다-준거 상황에서 협력 게임을 이용해 여러 정보를 고려한 결정을 내리는 방법을 제안한다. 이를 통해 사전에 분류기에서 알 수 있는 다양한 종류의 정보들을 동시에 고려하고 반영할 수 있으며, 이는 적절한 가중치의 분배와 성능 향상으로 이어진다. Open-ML-CC18의 데이터 셋에 기계학습 알고리즘을 적용하고, 기존 앙상블 가중치 방법과 비교하였으며, 실험결과 다른 가중치 방법에 비해 평균 1.02%, 최대 3.15%의 정확도 향상을 보였다.