Earticle

초록

영어

The purpose of this study is to compare and analyze machine learning-based methods for improving prediction accuracy in a small-scale structured data environment and to examine generalization performance and overfitting according to model complexity. Using time-series credit card usage data, it is compared regularization-based linear models, various ensemble models, and a Stacking Ensemble. The results show that regularization-based linear models achieved the most stable performance, while nonlinear high-complexity models experienced overfitting and lower test performance, with generalization performance decreasing as complexity increased. The Stacking Ensemble improved performance to some extent but did not surpass the stability of linear models. Statistical tests confirmed significant differences among models, indicating that model selection has a meaningful impact on predictive accuracy. The findings suggest that simpler regularized models are more reliable in small-data environments and highlight the importance of selecting models appropriate to data characteristics. This study can help to appropriately select the prediction methodology required for companies with small data. In future research, we will study machine learning-based prediction accuracy improvement measures suitable for SMEs.

한국어

본 연구의 목적은 소규모 구조화 데이터 환경에서 예측 정확도 향상을 위한 머신러닝 기반 방법론을 비교 분석하고 모델 복잡도에 따른 일반화 성능과 과적합 특성을 검토하는 데 있다. 시계열 신용 카드 이용 데이터를 활용하여 규제 기반 선형모형과 다양한 앙상블 모델 및 Stacking Ensemble의 예측 성능을 비교한 결과, 규제 기반 선형모형이 가장 안정적인 성능을 보인 반면 비선형고복잡도 모델은 과적합으로 인해 테스트 성능이 저하되었고, 모델 복잡도가 증가할수록 일반화 성능이 감소하는 경향이 확인되었다. 또한 Stacking Ensemble은 성능을 일부 개선하였으나 선형모형의 안정성을 크게 초과하지는 못하였으며, 통계적 검정 결과 모델 간성능 차이는 유의하게 나타나 모델 선택이 예측 성능에 중요한 영향을 미침이 확인되었다. 본 연구는 소규모 데이터 환경에서 복잡한 모델보다 규제 기반 단순모형이 더 안정적인 예측 성능을 제공함을 실증적으로 보여주며 데이터 특성에 맞는 모델 선택의 중요성을 확인하였다. 본 연구는 소규모 데이터를 보유한 기업 등에 필요한 예측 방법론을 적절히 선택하는데 도움을 줄 수 있을 것이다. 향후 연구에서는 중소기업 등에 적합한 머신러닝 기반의 예측 정확성 향상방안을 연구해 보겠다.

목차

요약
Abstract
1. 서론
1.1 소규모 데이터 기반 예측 연구의 필요성
1.2 연구방안
2. 선행연구
2.1 전통적 통계 기반 예측모형
2.2 머신러닝 기반 예측모형 연구
2.3 소규모 데이터 환경에서의 예측모형
3. 연구방법
3.1 연구 설계
3.2 데이터 구성 및 전처리
3.3 데이터 분할
3.4 변수 구성
3.5 예측모형
3.6 앙상블 기법
3.7 예측 성능 평가
4. 예측모형 성능 비교 분석
4.1 기술통계 및 상관관계 분석
4.2 예측모형간 성능 비교 분석
4.5 토론
5. 결론
REFERENCES

키워드

저자

• 이승용 [ Seung-Yong Lee | 남서울대학교 빅데이터콘텐츠융합학과 교수 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  디지털정책학회지

• 간기

  월간

• eISSN

  2951-245X

• 수록기간

  2022~2026

• 등재여부

  KCI 등재후보

• 십진분류

  KDC 569 DDC 620