• 한국수정란이식학회지
• /
• 제18권2호
• /
• pp.115-124
• /
• 2003

무발정 증상을 보이는 젖소 65두를 대상으로 몇 가지 호르몬 처리기법을 사용하여 소의 번식효율 향상시키고자 본 실험을 수행하였다. Group 1. Ovsynch program (GnRH-PGF$_2$ a /PGF$_2$ a/GnRH), Group 2. Two plus Two program (GnRH-PGF$_2$ a /PGF$_2$ a/GnRH), Group 3. progesterone implant (CIDR)-GnRH/PGF$_2$ a/PGF$_2$ a/GnRH과 Group 4. (Follicular rupture-progesterone implant-GnRH/ PGF$_2$ a/PGF$_2$ a/GnRH)로 구분하고 최종 GnRH 처지 후 발정 유도율, 발정유도시간, 임신율, 유산율, 인공수정 후 60일까지의 임신율을 조사하여 다음과 같은 결론을 얻었다. 1. 발정 유도율은 Group 1, 2, 3에서는 각기67%, 75%, 70%로서 비슷하게 나타났으나, Group 4에서는 86%로서 유의적(P＜0.05)으로 높은 발정율을 나타내었다. 2. 발정 유도 시간은 progesterone implant를 사용한 Group 3과 Group 4는 각각 24, 23시간으로 발정유도 시간을 단축시키는데 효과가 있었다. 3. 각 호르몬 투여 임신율은 progesterone implant를 사용한 Group 3과 Group 4가 75%, 85%로서 사용하지 않은 Group 1과 Group 2보다 유의적(P<0.05)으로 높은 임신율을 나타내었다. 4. 임신 49일까지의 유산율은 Group 4가 5.9%로 낮은 유산율을 보였다. 이상의 실험결과를 종합하면 무발정우에서 각종 호르몬을 투여하기 전에 난소를 확인하여 폐쇄 난포가 있는 것은 폐쇄난포를 제거하고 progesterone implant 제제인 CIDR를 질내에 장착하는 것이 무발정우의 발정유기 및 수태율 향상에 효과적이라고 사료된다.

• 지능정보연구
• /
• 제26권4호
• /
• pp.173-198
• /
• 2020

최근 온라인의 비약적인 활성화로 캠페인 채널들이 다양하게 확대되면서 과거와는 비교할 수 없을 수준의 다양한 유형들의 캠페인들이 기업에서 수행되고 있다. 하지만, 고객의 입장에서는 중복 노출로 인한 캠페인에 대한 피로감이 커지면서 스팸으로 인식하는 경향이 있고, 기업입장에서도 캠페인에 투자하는 비용은 점점 더 늘어났지만 실제 캠페인 성공률은 오히려 더 낮아지고 있는 등 캠페인 자체의 효용성이 낮아지고 있다는 문제점이 있어 실무적으로 캠페인의 효과를 높이고자 하는 다양한 연구들이 지속되고 있다. 특히 최근에는 기계학습을 이용하여 캠페인의 반응과 관련된 다양한 예측을 해보려는 시도들이 진행되고 있는데, 이 때 캠페인 데이터의 다양한 특징들로 인해 적절한 특징을 선별하는 것은 매우 중요하다. 전통적인 특징 선택 기법으로 탐욕 알고리즘(Greedy Algorithm) 중 SFS(Sequential Forward Selection), SBS(Sequential Backward Selection), SFFS(Sequential Floating Forward Selection) 등이 많이 사용되었지만 최적 특징만을 학습하는 모델을 생성하기 때문에 과적합의 위험이 크고, 특징이 많은 경우 분류 예측 성능 하락 및 학습시간이 많이 소요된다는 한계점이 있다. 이에 본 연구에서는 기존의 캠페인에서의 효과성 제고를 위해 개선된 방식의 특징 선택 알고리즘을 제안한다. 본 연구의 목적은 캠페인 시스템에서 처리해야 하는 데이터의 통계학적 특성을 이용하여 기계 학습 모델 성능 향상의 기반이 되는 특징 부분 집합을 탐색하는 과정에서 기존의 SFFS의 순차방식을 개선하는 것이다. 구체적으로 특징들의 데이터 변형을 통해 성능에 영향을 많이 끼치는 특징들을 먼저 도출하고 부정적인 영향을 미치는 특징들은 제거를 한 후 순차방식을 적용하여 탐색 성능에 대한 효율을 높이고 일반화된 예측이 가능하도록 개선된 알고리즘을 적용하였다. 실제 캠페인 데이터를 이용해 성능을 검증한 결과, 전통적인 탐욕알고리즘은 물론 유전자알고리즘(GA, Genetic Algorithm), RFE(Recursive Feature Elimination) 같은 기존 모형들 보다 제안된 모형이 보다 우수한 탐색 성능과 예측 성능을 보임을 확인할 수 있었다. 또한 제안 특징 선택 알고리즘은 도출된 특징들의 중요도를 제공하여 예측 결과의 분석 및 해석에도 도움을 줄 수 있다. 이를 통해 캠페인 유형별로 중요 특징에 대한 분석과 이해가 가능할 것으로 기대된다.