범프탐색방법의 잡음변수 존재 여부에 따른 예측력과 효율성 비교

• 영문명: Comparison of Prediction Accuracy and Efficiency of Bump Hunting Methods With or Without Noise Variables
• 발행기관: 한국자료분석학회
• 저자명: 방병권(Byung-Keon Bang) 조형준(HyungJun Cho)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.21 No.1, 87~94쪽, 전체 8쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2019.02.28

국문 초록

종속변수가 국소 최댓값을 갖는 독립변수의 영역을 찾는 범프탐색(bump hunting)은 PRIM, SVM, 신경망, 의사결정나무 등 다양한 통계적 방법으로 수행 가능하다. 의사결정나무와는 다르게 PRIM은 각 분류 규칙들이 서로 연관되어 있지 않고 독립적으로 구성되어 있을 때 분류 규칙들을 잘 찾는다. 그러나 모든 가능한 분류를 탐색하는 전체탐색 방식을 이용하기 때문에 계산량이 지나치게 많고 변수선택 기능이 없기 때문에 잡음변수들이 존재하는 경우에 예측력이 급격하게 떨어진다. 모의실험과 실제 데이터를 사용하여 범프탐색 최적화 방법론인 PRIM과 선택된 변수 해석이 가능한 의사결정나무를 비교 분석하였다. 이 실험 결과는 잡음변수가 없는 경우에 PRIM이 의사결정나무보다 전체적으로 좋은 성능을, 잡음변수가 존재하는 경우에 PRIM의 예측력은 현저히 떨어짐을 보여주었다. 본 논문에서는 계산속도, 민감도, 특이도, 분류 정확도 기준을 사용하여 PRIM과 의사결정나무 CART, C5.0을 비교하였다

영문 초록

Bump hunting, which finds the region of independent variables when the dependent variable has local maxima, can be conducted by various methods such as PRIM, SVM, neural networks, decision trees. Unlike decision trees, PRIM works well for finding classification rules or boxes that are not associated. PRIM also searches boxes exhaustively, so it is computationally expensive. Furthermore, prediction accuracy is very low when there exist noise variables. Of various bump hunting methods, decision trees, which are capable of interpreting variables, and PRIM, which has been developed for bump hunting, are compared with prediction accuracy and efficiency through simulated data and real data. PRIM works better than decision trees particularly when there are no noise variables. In contrast, the prediction accuracy becomes very low when there exist noise variables. In this paper, PRIM and decision trees, CART and C5.0, are compared with computing time, sensitivity, specificity, prediction accuracy.

목차

1. 서론

2. 연구방법

3. 모의실험

4. 사례분석

5. 결론

키워드

범프탐색 PRIM 의사결정나무 예측력 효율성 bump hunting PRIM decision tree prediction accuracy efficiency.