---
type: paper
slug: junghye-lee-2015-kernel-nir-calibration
title: >-
  Kernel-based calibration methods combined with multivariate feature selection
  to improve accuracy of near-infrared spectroscopic analysis
authors:
  - '[[junghyelee]]'
  - '[[kyeol-chang]]'
  - '[[chi-hyuck-jun]]'
  - '[[rae-kwang-cho]]'
  - '[[hoeil-chung]]'
  - '[[hyeseon-lee]]'
year: 2015
venue: '[[chemometrics-and-intelligent-laboratory-systems]]'
volume: '147'
pages: 139-146
doi: 10.1016/j.chemolab.2015.08.009
categories:
  - '[[chemometrics]]'
methods:
  - '[[kernel-partial-least-squares]]'
  - '[[kernel-support-vector-regression]]'
  - '[[feature-selection]]'
  - '[[vip-score]]'
  - '[[weight-vector-coefficient]]'
themes:
  - '[[near-infrared-spectroscopy]]'
  - '[[multivariate-feature-selection]]'
  - '[[chemometric-calibration]]'
aliases: []
last_updated: '2026-05-20T02:01:15+09:00'
---
# Kernel-based calibration methods combined with multivariate feature selection to improve accuracy of near-infrared spectroscopic analysis

*[[junghyelee]], [[kyeol-chang]], [[chi-hyuck-jun]], [[rae-kwang-cho]], [[hoeil-chung]], [[hyeseon-lee]] (2015)* · [[chemometrics-and-intelligent-laboratory-systems]] 147:139-146 · [DOI ↗](https://doi.org/10.1016/j.chemolab.2015.08.009)

> *근적외선 (NIR) 분광 분석* 의 정확도 개선을 위한 *커널 기반 보정 모형 + 멀티변량 특성 선택* 결합. [[kernel-partial-least-squares]] (K-PLS) + [[kernel-support-vector-regression]] (K-SVR) 에 [[vip-score]] / [[weight-vector-coefficient]] 기반 *특성 순위화* 적용. **K-SVR-WV 가 *복잡한 spectra + 미세 변동 인식* 필요한 sample 에서 최적**. 나프타, etchant solution, 사과 3 datasets 검증. [[junghyelee]] 의 *실타래 1 (Feature Selection)* 의 *화학계량학 응용*.

- **RQ**: NIR 분광 분석에서 *커널 회귀 + 특성 선택* 결합이 정확도를 어떻게 개선하는가? 어느 조합이 *복잡한 spectra* 에 최적인가?
- **방법론**: [[kernel-partial-least-squares]] (K-PLS) + [[kernel-support-vector-regression]] (K-SVR) + [[vip-score]] / [[weight-vector-coefficient]] 기반 특성 순위
- **데이터**: NIR 분광 데이터 3 종 — 나프타 (석유 제품), etchant solution (반도체 화학), 사과 (식품)
- **주요 발견**: (1) **K-SVR-WV (Weight Vector 기반 SVR 특성 선택) 가 복잡한 spectra 에 최적**. (2) 특성 선택과 *kernel calibration model* 의 *일관성* 이 정확도의 핵심. (3) 미세 spectral variation 인식 필요 시 K-SVR-WV 우월. (4) 단순 spectra (사과) 에는 K-PLS 도 충분.
- **시사점**: 화학계량학 (chemometrics) 에서 *kernel 방법 + 특성 선택* 결합이 *복잡한 sample* 의 양적 분석에 유용. NIR 외 Raman, NMR 분광에도 확장 가능.

![NIR 분광 분석에서 커널 회귀와 멀티변량 특성 선택의 결합 절차.](/papers/201510_LeeJ_Kernel_based_calibration_methods_combined_with_multivariate_feature_selection_to_improve_accuracy_of_near_infrared_spectroscopic_analysis/fig1.png)

## 요약

이 paper 는 [[junghyelee]] 의 *1 기 박사 시기* 의 *특성 선택 도메인 응용 (chemometrics)*. [[chi-hyuck-jun]] (지도교수) + [[hoeil-chung]] (한양대 화학과) + [[kyeol-chang]] (POSTECH 박사) 의 *통계-화학 결합 프로젝트*. [[markov-blanket]] 이론 작업과 평행하는 *방법론 응용 능력 입증*.

방법론적 핵심은 *2 단계 결합*: (i) *특성 순위* — [[vip-score]] (PLS 기반) 또는 [[weight-vector-coefficient]] (SVR 기반) 로 변수 중요도 측정 후 상위 features 선택. (ii) *커널 회귀* — [[kernel-partial-least-squares]] (K-PLS) 또는 [[kernel-support-vector-regression]] (K-SVR) 로 비선형 보정. 4 조합: K-PLS-VIP, K-PLS-WV, K-SVR-VIP, K-SVR-WV.

핵심 발견: **K-SVR-WV 가 *복잡한 spectra + 미세 spectral variation* 에 우월**. 나프타 (복잡한 hydrocarbons mix), etchant (다성분 반응) 에서 K-SVR-WV > 다른 조합. 사과 (단순) 에는 K-PLS 도 충분. *특성 선택과 회귀 방법의 일관성* — 즉 같은 알고리즘 (SVR) 에서 추출한 weight vector 를 SVR 의 특성 선택에 사용 — 이 *정확도 핵심*.

[[junghyelee]] 의 *연구 궤적* 안에서 이 paper 는 *1 기 박사 시기의 도메인 응용 (chemometrics)*, 후속 [[kyeol-chang-2016-nir-multivariate]] (2016 NIR 다변량), [[kyeol-chang-2018-inter-iamb-nir]] (2018 NIR Inter-IAMB) 와 함께 *NIR 분광 분석 시리즈*.

## 핵심 결과

| 조합 | 적합 spectra |
|---|---|
| K-PLS-VIP | 단순 |
| K-PLS-WV | 단순 |
| K-SVR-VIP | 중간 |
| **K-SVR-WV** | **복잡한 spectra + 미세 변동** |

| Dataset | 최적 조합 |
|---|---|
| 나프타 (복잡) | K-SVR-WV |
| Etchant solution (다성분) | K-SVR-WV |
| 사과 (단순) | K-PLS 충분 |

## 방법론 노트

[[kernel-support-vector-regression]] (K-SVR) primal:

$$
\min_{w, b} \frac{1}{2}\|w\|^2 + C \sum_i (\xi_i + \xi_i^*)
$$

s.t. $y_i - \langle w, \phi(x_i)\rangle - b \leq \varepsilon + \xi_i$, $\langle w, \phi(x_i)\rangle + b - y_i \leq \varepsilon + \xi_i^*$. Dual 풀이 → kernel trick $K(x_i, x_j) = \langle \phi(x_i), \phi(x_j) \rangle$.

[[weight-vector-coefficient]] (WV): SVR 의 *primal weight vector* $w$ 의 크기로 특성 중요도. SVR-WV 는 *non-kernel* SVR 의 weight 를 사용해 *kernel SVR 의 특성 선택* 에 활용.

[[vip-score]] (Variable Importance in Projection): PLS 의 latent variable 에 대한 변수 기여도.

## 연구 계보

이 paper 는 (i) Wold et al. (2001) 의 PLS / VIP 본가, (ii) Schölkopf & Smola (2002) 의 kernel methods 정통, (iii) [[chi-hyuck-jun]] 의 화학계량학 라인 — 의 결합. [[junghyelee]] 의 *연구 궤적* *1 기 박사 시기의 NIR 응용 라인*.

## See also

- [[junghyelee]]
- [[kyeol-chang]]
- [[chi-hyuck-jun]]
- [[hoeil-chung]]
- [[kernel-support-vector-regression]]
- [[feature-selection]]
- [[near-infrared-spectroscopy]]
- [[chemometrics-and-intelligent-laboratory-systems]]