Earticle

초록

영어

In this paper Rule-based prediction is performed by recursively dividing data based on Gini Impurity in the decision tree. Random forest trains multiple decision trees through random sampling and performs final prediction through voting. Gradient boosting learns weak classifiers sequentially and improves prediction performance by reducing errors in previous steps. Also for ease of interpretation, the learning is fixed as depth=3. Even if the learning is deeper, the structural picture of the three models is shown only up to max_depth=3. The final prediction tree of the random forest is an explanatory tree that approximates the majority judgment of the entire forest. In other words, their final prediction tree cannot show hundreds of trees in a forest as a single tree, so they generally used a surrogate tree technique. In the gradient boosting tree, the 300th tree was output. The concepts of Accuracy, Precision, Recall, and F1-Score are important indicators for evaluating the performance of artificial intelligence models. In this study, the performance of each model was evaluated based on Accuracy, Precision, Recall, and F1 score. In addition, analytical differences were analyzed by comparing the variable importance derived from each model.

한국어

본 연구에서 의사결정트리는 지니 불순도(Gini Impurity)를 기준으로 데이터를 재귀적으로 분할하여 규칙 기반 예측 수행한다. 랜덤포레스트는 다수의 의사결정트리를 무작위 샘플링을 통해 학습시키고 투표 방식을 통해 최종 예측 수행한다. 그래디언트부스팅은 약한 분류기를 순차적으로 학습시키며, 이전 단계의 오차를 줄여나가는 방식으로 예측 성능 개선한다. 또한 해석 용이성을 위해 학습은 depth=3으로 고정했다. 학습이 더 깊어도 세 가지 모델들의 구조적인 그림은 max_depth=3까지만 나타냈다. 랜덤포레스트의 최종 예측 트리는 숲 전체의 다수결 판단을 근사하는 설명용 트리이다. 다시 말해서 이들의 최종 예측 트리는 숲의 수백 트리들을 한 장의 트리로 보여줄 수 없으므로 일반적으로 대리 트리 기법을 사용하였다. 그래디언트부스팅 트리에서는 300번째 트리를 출력했다. 인공지능 모델의 성능을 평가하는 데 중요한 지표들인 정확도, 정밀도, 재현율, 그리고 F1 점수 개념이다. 본 연구에서도 각각의 모델에 대해 정확도, 정밀도, 재현율, 그리고 F1 점수를 기반으로 성능을 평가하였다. 또한 각각의 모델에서 도출된 변수 중요도를 비교하여 해석적 차이를 분석하였다.

목차

요약
Abstract
Ⅰ. 서론
Ⅱ. 의사결정트리, 랜덤포레스트, 그리고 그래디언트부스팅 모델 구조
1. 입력 데이터
2. 의사결정트리
3. 랜덤포레스트
4. 그래디언트부스팅
Ⅲ. 모델 분석
1. 의사결정트리
2. 랜덤포레스트
3. 그래디언트부스팅
4. 모델 비교
Ⅳ. 평가 지표 및 결과
Ⅴ. 결론
References

키워드

저자

• 박민서 [ Minseo Park | 정회원, 경상국립대학교 휴먼헬스케어학과 교수 ] 교신저자

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  The Journal of the Convergence on Culture Technology (JCCT) [문화기술의 융합]

• 간기

  격월간

• pISSN

  2384-0358

• eISSN

  2384-0366

• 수록기간

  2015~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 600 DDC 700