랜덤 포레스트에 대한 해석 제안의 비교

기계 학습(ML)의 성공이 높아짐에 따라 예측 모델이 크게 개선되고 있으며 다양한 응용 분야에 통합되고 있습니다. 그 성공에도 불구하고 몇 가지 한계와 단점이 있습니다: 가장 중요한 점은 사용자들이 특정 결정을 어떻게 내리는지를 이해할 수 없게 만드는 해석 가능성이 부족하다는 것입니다. 본 연구는 기계 학습 프레임워크에서 가장 성능이 우수하고 많이 사용되는 모델 중 하나인 랜덤 포레스트 모델에 초점을 맞추고 있습니다. 이 모델은 높은 예측 정확도, 유연성 및 즉각성을 보장하는 효율적인 앙상블 학습 모델로 알려져 있습니다. 또한 수많은 심층 결정 트리가 생성되어 블랙 박스 모델로 간주됩니다. 본 연구의 목적은 두 가지입니다. 먼저 랜덤 포레스트에 대한 해석 제안에 대한 설문 조사를 제시하고, 그 다음에는 규칙 추출 프레임워크의 주요 접근 방식인 inTrees와 NodeHarvest라는 두 방법론 간의 비교를 제공하는 기계 학습 실험을 수행합니다. 제안된 실험은 관측 수, 균형/불균형 반응, 범주형 및 수치형 예측 변수의 존재 등 다양한 데이터 특성을 포괄하는 여섯 개의 실제 데이터 세트에서 방법의 성과를 비교합니다. 이 연구는 앙상블 트리 해석을 위해 제안된 방법 및 도구에 대한 검토를 나타내고, 규칙 추출 접근법 클래스에서 가장 우수한 제안을 식별하는 데 기여합니다.