Kernel-based calibration methods combined with multivariate feature selection to improve accuracy of near-infrared spectroscopic analysis

이정혜, Kyeol Chang, Chi-Hyuck Jun, Rae-Kwang Cho, Hoeil Chung, Hyeseon Lee (2015) · chemometrics-and-intelligent-laboratory-systems 147:139-146 · DOI ↗

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. 이정혜 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.

요약

이 paper 는 이정혜 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.

이정혜 의 연구 궤적 안에서 이 paper 는 1 기 박사 시기의 도메인 응용 (chemometrics), 후속 kyeol-chang-2016-nir-multivariate (2016 NIR 다변량), Interleaved Incremental Association Markov Blanket as a Potential Feature Selection Method for Improving Accuracy in Near-Infrared Spectroscopic Analysis (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. 이정혜 의 연구 궤적 1 기 박사 시기의 NIR 응용 라인.

See also

• 이정혜
• Kyeol Chang
• Chi-Hyuck Jun
• Hoeil Chung
• kernel-support-vector-regression
• feature-selection
• near-infrared-spectroscopy
• chemometrics-and-intelligent-laboratory-systems

인접 그래프

1-hop 이웃 9개

• 인물 6
• 논문 3

↻ 초기화

휠 = 확대/축소 · 드래그 = 이동 · hover = 라벨 · 클릭 = 페이지 이동

이 문서를 가리키는 페이지

논문 (3)

• Acquisition of a series of temperature-varied sample spectra to induce characteristic structural changes of components and selection of target-descriptive variables among them for multivariate analysis to improve accuracy
• Chemistry-informed machine learning: Using chemical property features to improve gas classification performance
• Interleaved Incremental Association Markov Blanket as a Potential Feature Selection Method for Improving Accuracy in Near-Infrared Spectroscopic Analysis