이분형 목표변수의 분류 및 예측을 위한 최적모형의 탐지

• 영문명: A Study on Exploration of the Recommend Model for Classification and Prediction for Binary Target
• 발행기관: 한국자료분석학회
• 저자명: 김선경(Sun-kyung Kim) 최종후(Jong Hoo Choi)
• 간행물 정보: 『Journal of The Korean Data Analysis Society (JKDAS)』Vol.16 No.1, 115~124쪽, 전체 10쪽
• 주제분류: 자연과학 > 통계학
• 파일형태: PDF
• 발행일자: 2014.02.28

국문 초록

의사결정나무는 의사결정규칙을 나무구조로 도표화하여 분류 및 예측을 수행하는 분석이다. 이분형 목표변수의 분류 및 예측을 위하여 이용되는 의사결정나무모형은 직관적이며, 나무구조에 의해 분석 과정의 설명이 용이하기 때문에 탐색적 지식발견에 널리 활용된다. 본 연구는 의사결정나무의 다양한 경쟁모형 중에서 분류 및 예측을 위한 최적모형을 탐지하는데 그 목적을 두고 있다. 본 연구에서 적용된 의사결정나무 분리 알고리즘(splitting algorithm)은 CHAID, Exhaustive CHAID, CART, QUEST이다. 최적 모형의 탐지는 두 단계에 걸쳐 시도된다. 첫 단계는 네 가지 분류 알고리즘 각각에 대하여 상위, 하위 마디의 최소 개체수와 나무깊이를 달리하면서 각각의 분류 알고리즘 내에서 오분류율을 최소로 하는 모형을 선발한다. 이때 안정적인 결과를 얻기 위하여 10-fold 교차타당성(cross validation) 실험을 적용하였다. 두 번째 단계는 네 가지 분류 알고리즘 각각에서 후보모형으로 선발된 모형을 다시 이익값(gain)과 향상도(lift) 통계량에 기반하여 비교함으로써 최종적으로 최적모형을 선발한다. 실증분석을 위하여 목표변수가 이분형인 DM 반응 자료가 이용되었다.

영문 초록

The decision tree representation is most widely used logic method. It is easy to interpret and predict its results because it can be expressed as a diagram. Decision trees usually have been used for continuous and binomial (or multinomial) responses. This study aims to explore a recommended model of decision tree for classification and prediction for binary target. We use four split rules, those are CHAID, Exhaustive CHAID, CART, and QUEST for decision tree. Also, we carry out an experiment on cross validation study to obtain a recommended model of decision tree. 10-fold cross validation are applied based on miss classification ratio as risk estimate. Finally we come to a conclusion that CART is the best one. DM data are used for empirical study.

목차

1. 서론

2. 분리 알고리즘

3. k-fold 교차타당법

4. 사례 연구

5. 토의 및 결론

References

키워드

의사결정나무 k-fold 교차타당법 decision tree k-fold cross validation CHAID CART QUEST