다변량 사각 의사결정나무에 관한 연구

• 영문명: A Study on Multivariate Oblique Decision Tree: Bivariate Linear Combination Split
• 발행기관: 한국자료분석학회
• 저자명: 이성건(Seong-Keon Lee) 이경혜(Kyung-hye Lee)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.12 No.1, 251~260쪽, 전체 10쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2010.02.28

국문 초록

분류나무는 예측변수의 값을 이용하여 개체들을 분류/예측하는 규칙을 만들어내는 데에 흔히 사용된다. Cart, CHAID, C4.5, Quest 등의 의사결정나무 알고리즘은 마지막 끝마디의 순수도를 높은 간단한 규칙을 찾는 것을 목적으로 한다. 그러나 이러한 알고리즘들은 매 단계마다 하나의 분기변수만을 이용하기 때문에 일반적으로 큰 나무의 구조를 생성하게 되는 단점이 있다. 본 논문에서는 이변량 선형결합을 통한 분리 방법을 제안하고자 한다. 단순 결합 이변량 분기와 황금비율을 이용한 이변량 분기를 제안하고 각 방법론들을 모의실험을 통한 효율을 오분류율의 관점과 실제 자료의 적용을 통하여 비교하였다. 비교결과 본 연구에서 제안한 단순 결합 분리기준이 예측의 정확성을 증가시킬 수 있음을 확인하였다.

영문 초록

A classification tree is a rule for predicting the class of an object from the values for its predictor variables. The common goal in CART, CHAID, C4.5 and QUEST is to obtain such that in each terminal node is quite pure and simple tree. Occasionally this cannot be achieved with standard algorithms can produce large tree structure because they use only single splits. This study introduce a classification tree split criterion that can improve class prediction using linear combination split. We focus on bivariate linear combination splits in this study. Our splits are simple bivariate linear combination split and golden section splits. Some simulation and real data experiments are performed to demonstrate the performance of the proposed approach.

목차

1. 서론

2. 의사결정나무

3. 이변량 단순 선형결합 분리기준을 이용한 의사결정나무

4. 모의실험 및 적용

5. 결론

참고문헌

키워드

의사결정나무 선형결합분리 이변량분리 황금비율 decision tree linear combination split bivariate split golden section split