선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 그리고 기업의 입장에서는 수집된 정보는 모두 활용하고 싶어 하는 측면도 있어서, 변수 선택을 하는데 더욱 어려움이 따른다. 본 논문에서는 다양한 방법으로 설명변수 데이터를 축소하는 방법들 중 가장 성능이 우수한 방법을 찾기 위해, 비교연구를 수행하는 것이 목적이다. 이를 위해, 본 논문의 구성은 1장의 서론에 이어서, 2장에서는 논문과 관련된 문헌 연구를 수행하였고, 3장에서는 본 논문에서 사용할 데이터의, 설명과 실험을 위한 설계를 정리하였다.
- 본 논문에서는 사례 보험사의 자료를 이용하여, 표 3.2에서 제시한 4개의 설명변수 축소방법과 전체 데이터를 전부 사용하는 경우에 대하여, 검증용 데이터를 이용한 정확도의 평가를 통해서, 설명변수를 어떻게 축소시키는 것이 가장 좋은 예측 정확도를 나타내는지, 그리고 가장 적은 수의 데이터를 이용하여, 가장 효율적인 모델을 만들 수 있는 방법은 무엇인지를 실험을 통해서 확인하고자 한다.
- 1에서 3단계는, 앞의 1, 2단계에서 기본적으로 정리가 된 데이터 중 설명변수를 선택하는 단계이다. 본 논문의 목적은 이 단계의 축소 변화 (요인 분석을 통한 변수 축약이나 또는 별도의 변수 선택 방법)를 통해서, 전체 데이터를 이용한 것과 유사하게 모델 정확도가 나오는지 비교하여, 현재 사례의 모델에서 가장 효과적인 데이터 축소 방안을 찾고자 하는 것이다. 표 3.
- 본 논문의 사례가 되는 생명보험사는 국내 중위권 회사로, 기존 고객들의 개인연금보험으로의 추가 판매 방법을 통해서 타사와 대비되는 CRM 경쟁력을 달성하고자 한다 (Kang, 2004). 기존 고객들에게 개인연금보험 추가 판매를 위해서 사례의 보험사가 선택한 방법으로, 데이터 마이닝의 지도학습 기법 중 의사결정 나무 (Decision Tree Induction)를 이용하여, 기존 다른 보험 상품가입자의 개인연금보험 추가 가입 가능성을 예측하고, 가능성과 불가능성의 규칙을 만드는 것이다.
- 앞에서, 서술한 본 논문의 목적을 다시 정리하면, 사례의 생명보험회사에서 기존 고객들 중 개인연금보험을 추천할 가능성이, 높은 고객을 선정하는 의사결정나무 분석 모델을 개발할 때, 많은 수의 설명 변수를 최소화하면서, 정확도는 가장 높은 그러한 의사결정나무 분석 모델을 만드는 것이다. 이를 위한, 실험 결과 변수 선택 방법으로, 신경망의 민감도 분석을 수행하여, 상위 10개의 변수를 선택하는 방법이 가장 효과적인 것으로 나타났으며, 의사결정나무 분석 기법 중에서는 C5.
가설 설정
- 2를 기준으로, 사용하는 기법에 따라 별도의 옵션을 설정하지 않고, 기본설정으로 하여 분석을 수행하였다. 두 번째 가정은 실험결과에 대한 평가방법이다. 설명변수를 축소하여, 정보가 유실이 되었는데도 불구하고, 정확도가 거의 유사하거나 혹은 더 좋아진다는 것은, 축소 방법이 매우 효과적이었다는 것을 증명하기 때문에, 이를 평가하기 위한 검증용 데이터의 정확도 계산법은 다음의 표 3.
- 실험을 수행하기 전에, 2가지의 가정이 있다. 첫 번째 가정은 본 논문에서 활용되는 여러 분석방법들은 SPSS Clementine 12.0.2를 기준으로, 사용하는 기법에 따라 별도의 옵션을 설정하지 않고, 기본설정으로 하여 분석을 수행하였다. 두 번째 가정은 실험결과에 대한 평가방법이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.