| 초록 |
머신러닝 모델은 과소∙과대적합 특성으로 인하여 실제 공정에 적용이 어렵다. 본 연구에서는 일반화 성능 향상을 위해서 드롭아웃 방법을 통한 머신러닝 모델 일반화 특성분석 연구를 수행하였다. 일반적으로 모델의 크기나, 학습 횟수가 증가될수록 과소적합이 제거되며 모델 성능이 향상된다. 하지만 신경망의 크기가 커질수록 과대적합 발생 가능성이 높아지고 학습시간도 길어지며 최적의 결과를 얻기 어렵다. 따라서 정칙화을 통하여 훈련정확도를 감소시켜 테스트 정확도를 증가시키거나, 조기종료를 통한 적정 계산 횟수 도출 및 히든레이어나 뉴런을 생략하여 머신러닝 모델의 일반화를 달성할 수 있다. 본 연구에 활용된 드롭아웃 방법은 신경망 내부 노드의 투표에 대한 평균효과 및 동조화감소로 강건한 모델을 구성할 수 있게 된다. 최종적으로 실제 증류탑 공정데이터에 드롭아웃 방법을 적용하여 기본 조건(algorithm: LSTM, Bath size: 256, Hidden unit: 6, Epoch: 50 )에서 모델정확도 결과는 훈련 0.9040에서 0.9300으로 테스트 0.8094에서 0.8268로 모델 성능이 향상되었다. |
