신경혼돈 학습을 이용한 로지스틱 회귀 강화

초록 기계 학습의 급속한 확장은 효과적이고 해석 가능한 분류 알고리즘에 대한 수요를 증가시켰습니다. 혼돈 기반 기계 학습 프레임워크인 신경혼돈 학습(NL)은 강력한 분류 성능을 보여주었지만, 계산 복잡성이 실제 적용 가능성을 제한할 수 있습니다. 이러한 제한을 극복하기 위해, 본 연구에서는 Tracemean 및 Fluctuation Index와 같은 혼돈 영감을 받은 특성을 활용하는 간소화된 NL 변형을 도입하여 기본적인 동적 특성을 유지하면서 계산 오버헤드를 줄였습니다. 본 연구에서는 이러한 간소화된 신경혼돈 특성을 고전적이고 해석 가능한 분류 모델인 로지스틱 회귀와 통합합니다. 로지스틱 회귀는 혼돈으로 유래된 특성의 구별력과 선형 분리 가능성을 평가하기 위한 수학적으로 투명한 프레임워크를 제공합니다. 제안된 접근법은 Iris, 유방암, 와인, Statlog 및 펭귄 데이터셋을 포함한 여러 벤치마크 데이터셋에서 평가됩니다. 체계적인 실험을 통해 간소화된 NL 특성이 분류 정확도, 일반화 능력 및 데이터셋 간 안정성에 기여하는 바를 조사합니다. 결과는 간소화된 신경혼돈 특성과 로지스틱 회귀를 결합하면 낮은 계산 복잡성과 높은 해석 가능성을 유지하면서 경쟁력 있는 성능을 발휘하여 실제적이고 설명 가능한 기계 학습 응용 프로그램에 적합하다는 것을 보여줍니다. 키워드: Tracemean, Fluctuation index, 로지스틱 회귀, 신경혼돈 학습