보름달 🌝 #2.2 머신러닝 - 진통제 추천 (한글)

1. 서론

    여성이 월경 중 겪게 되는 생리통을 가장 간편하게 해소할 수 있는 방법은 진통제 - 그중에서도 처방전 없이 구입할 수 있는 일반의약품 - 복용이다. 약국이나 드럭스토어, 편의점 등 시중에서 다양한 종류의 진통제를 쉽게 볼 수 있다. 그러나 소비자는 정보 부족으로 인해 예전부터 복용하던 약을 습관적으로 선택하곤 한다.

    물론 이들은 모두 진통제이기에 기본적인 효과는 동일하다. 그러나 개인별로 생리통의 증상은 다양하고, 약의 성분에 따라 세부적인 효과도 다르다. 진통제의 올바른 복용은 생리통의 빠른 완화에 큰 도움이 될 것이다. 보름달 서비스는 사용자가 모바일 어플리케이션 캘린더 디테일 페이지에 입력한 증상을 활용하여 알맞은 진통제를 추천하는 것을 목표로 한다.

2. 데이터셋

   적절한 공개 데이터 셋을 찾을 수 없어 증상, 사용자의 건강 상태와 진통제에 관한 조사 후 1521가지 경우가 있는 인위적인 데이터셋을 만들었다.

    일반 의약품인 진통제는 크게 아세트아미노펜 계열과 비스테로이드 계열로 나눌 수 있다. 아세트아미노펜 계열의 약은 간에 부담이 되며 비스테로이드 계열 중 이부프로펜, 아스피린, 나프록센 성분은 위장에 부담이 갈 수 있다. 「알고 먹는 약 모르고 먹는 약, 김정환」과 민트병원 블로그를 참고하여 증상별로 효과가 있는 약을 추천하되, 모든 진통제는 기본적으로 생리통 완화에 도움이 되기에 사용자의 간과 위장 상태를 우선으로 하는 원칙을 세웠다.

    허리 통증, 속 쓰림, 극심한 고통, 생리불순, 붓기, 미열, 두통, 복통, 경련, 심리적 증상, 설사, 간 상태, 위장 상태 등을 고려해 추천 약을 분류하였다. 각각의 증상 및 음주 여부, 위장장애 여부를 boolean 형식으로 나타내었다. 추천 약의 경우, 인위적인 데이터 셋이기에 Feature Engineering 과정을 거치지 않고 다음의 Pill Number로 나타냈다.

Pill Number	추천 약
1	스피드펜 나노, 자이날, 이지엔
2	이지엔6 이브
3	그날엔
4	이즈펜
5	우먼스 타이레놀
6	이지엔6 이브, 이브큐 레이디
7	싸이베린
8	게보린, 펜잘큐, 사리돈 에이
9	탁센
10	부스코판 플러스
11	그날엔 Q
12	자이날

3. 방법론

다중 클래스 분류(Multiclass Classification) 알고리즘
3개 이상의 선택지 중에서 1개를 고르는 다중 클래스 분류 문제를 위한 소프트맥스 회귀(Softmax Regression) 중 하나이다.

원 핫 인코딩(One-Hot Encoding)
단 하나의 값만 True이고 나머지는 모두 False인 인코딩이다. 예를 들어, 0은 [1,0,0,0,0], 4는 [0,0,0,0,1]로 표현 가능하다. 분류 문제에서 연산 편의성, 다양한 모델 적용, 정확도 향상 등을 이유로 수행한다.

    머신러닝으로 해야 할 과제는 14개의 특성을 이용하여 12개의 Pill Number를 예측하는 것이다. 때문에 다중 클래스 분류 알고리즘이 적합하다고 판단했다. 또한 1부터 12까지의 정수로 표현된 Pill Number를 0부터 11의 라벨을 이용하여 원 핫 인코딩을 수행했다.

    머신러닝을 위해서 tensorflow.js를 사용했다. 주어진 데이터 셋을 70:30의 비율로 트레이닝 셋과 테스트 셋으로 분류하여 모델을 학습시키고, 테스트하였다.

4. 평가 & 분석

    선행 조사를 통해 관련 있는 특징만 데이터 셋으로 구성하였기에 어떤 특징이 약 추천에 영향을 미치는지는 고려하지 않기로 하였다. 모든 특정이 영향을 미친다고 판단해 학습을 진행하였다.
    위의 그래프는 tensorflow를 이용해 다중 클래스 분류 모델을 트레이닝 성능을 보여준다.

    Tensorflow에서 epoch는 전체 데이터를 반복적으로 학습하는 횟수, batch size는 한 번에 학습할 데이터의 수, iteration은 한 epoch에서 batch를 학습하는 횟수이다. 우리가 가지고 있는 데이터 셋은 제한적이기에 1 epoch로는 충분하지 않다. 그러나 epoch가 과도하면 과적합 문제가 발생할 수 있어 Epoch와 batch size 별 loss value를 보여주는 그래프를 그려보았다.

    400 epochs와 32의 batch size를 사용했을 때, 트레이닝과 테스트 모두에서 0.03의 loss value를 기록했다.

5. 관련 연구

• tfjs-vis: 브라우저에서 tensorflow가 동작하는 과정을 그려주는 라이브러리이다. 4. 평가 & 분석의 그래프를 그리기 위해 사용하였다.
• Machine Learning in JavaScript with TensorFlow.js.

6. 결론

    머신러닝을 통해서 우리가 목표했던 결과를 얻을 수 있었다. 보름달 서비스는 사용자가 입력한 정보를 이용하여 사용자별 진통제를 추천해 준다. 사용자는 자신에게 맞는 약을 복용함으로써 보다 더 빠르고 정확한 효과를 기대할 수 있다. 빠진 정보가 있다면 NUGU speaker의 slot filling 기능을 통해 얻을 수 있다.

    한 가지 아쉬운 점은 현재의 데이터 셋이 임의로 가정된 상황이라는 점인데, 서비스를 제공하고 유지하며 실제 사용자의 정보와 효과 여부를 수집해 더욱 정확한 모델이 되도록 발전시켜 나갈 수 있을 것이다.