초록 ▼

용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

기계학습(Machine Learning)분야에서 랜덤포레스트는 예측성능이 좋고 다양한 상황에서 쉽게 사용할 수 있다는 장점으로 인해 가장 자주 사용되는 모형중의 하나이다. 랜덤포레스트(Random Forest)에서 제공하는 변수의 중요도 측도(VIM : Variable Importance ...

기계학습(Machine Learning)분야에서 랜덤포레스트는 예측성능이 좋고 다양한 상황에서 쉽게 사용할 수 있다는 장점으로 인해 가장 자주 사용되는 모형중의 하나이다. 랜덤포레스트(Random Forest)에서 제공하는 변수의 중요도 측도(VIM : Variable Importance Measure)는 변수의 순위를 결정하거나 변수를 선별하는 등의 작업을 통해 사용자가 모형을 이해하고 활용하는 과정에 큰 도움을 준다.
그러나 VIM은 모형에 포함된 변수의 실제 중요도를 정확히 반영하지 못하는 경우도 다수 존재한다는 선행 연구결과들이 많이 존재한다. 즉, VIM이라는 측도의 신뢰성이 부족해지는 상황들이 존재한다는 것이다. 본 연구에서는 가장 자주 사용되는 3가지 VIM을 소개하고 각각의 특징을 살펴보면서 어떠한 상황에서 해당 측도가 신뢰성을 잃는지 그리고 이를 극복하기 위해 어떠한 방법들이 시도되었는지 소개한다.

Abstract ▼ AI-Helper

In machine learning fields, random forest (RF) is one of the most frequently used models due to its good predictive performance and wide applicability in various situations. In addition, variable importance measure (VIM) provided by RF greatly helps users understand and accept the model through task...

In machine learning fields, random forest (RF) is one of the most frequently used models due to its good predictive performance and wide applicability in various situations. In addition, variable importance measure (VIM) provided by RF greatly helps users understand and accept the model through tasks such as ranking or screening the input variables.
However, there are many studies that prove VIM may not reflect the concept of the importance of variables that general users think of in some special situations. In other words, there are situations in which VIM loses its reliability. Therefore, this study introduces characteristics of three famous VIMs, examining situations when VIM loses its reliability. In addition, we introduce some methods that attempted to overcome the problems.

주제어