$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

데이터마이닝을 위한 동적 결정나무
Dynamic Decision Tree for Data Mining 원문보기

한국통계학회 논문집 = Communications of the Korean Statistical Society, v.16 no.6, 2009년, pp.959 - 969  

최병수 (한성대학교 멀티미디어공학과) ,  차운옥 (한성대학교 멀티미디어공학과)

초록
AI-Helper 아이콘AI-Helper

결정나무는 데이터마이닝에서 데이터를 분류하는 기법으로 가장 많이 사용되고 있으며, 데이터 탐색 소프트웨어 DAVIS에서는 동적 기능을 사용하여 데이터 시각화를 하는 것이 가능하다. 본 논문에서는 동적 데이터 분석의 기본 원리와 이를 결정나무에 적용하는 방법을 소개하고, 생성되는 동적 결정나무의 효율성과 유용성을 실제 데이터를 사용하여 분석한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

Decision tree is a typical tool for data classification. This tool is implemented in DAVIS (Huh and Song, 2002). All the visualization tools and statistical clustering tools implemented in DAVIS can communicate with the decision tree. This paper presents methods to apply data visualization technique...

주제어

#결정나무   #군집분석   #데이터 시각화  

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 본 논문에서는 결정나무를 기존의 시각화 도구에 연결시키는 방법에 대해 알아보고 기존의 데이터 탐색 소프트웨어인 DAVIS에서 이를 구현한 것을 소개하였다. 비교적 간단한 방법으로 결정나무와 시각화 방법을 연동시킬 수 있으며, 실제 데이터에 대해 결정나무와 시각화방법을 연동시켰을 때 기존의 방법으로는 얻을 수 없었던 다양한 정보를 얻을 수 있음을 보였다.
  • 데이터 탐색 소프트웨어 DAVIS(DAta VISualization system; Huh와 Song, 2002)에서는 동적 기능을 사용하여 데이터 시각화를 하는 것이 가능하다. 본 논문에서는 데이터 분류(classification)기법으로 가장 많이 사용되는 결정나무(decision tree)에 데이터 시각화 기능을 연동시켜 동적 결정나무를 생성하는 과정을 설명하고, 생성된 동적 결정나무의 효율성과 유용성을 실제 데이터를 사용하여 분석하였다. 본 연구의 의의는 동적 결정나무를 생성함으로써 기존의 결정나무로만으로는 분석할 수 없었던 다양한 정보를 얻을 수 있음을 직접적으로 보인 것이다.
  • 본 논문에서는 데이터 분류(classification)기법으로 가장 많이 사용되는 결정나무(decision tree)에 데이터 시각화 기능을 연동시켜 동적 결정나무를 생성하는 과정을 설명하고, 생성된 동적 결정나무의 효율성과 유용성을 실제 데이터를 사용하여 분석하였다. 본 연구의 의의는 동적 결정나무를 생성함으로써 기존의 결정나무로만으로는 분석할 수 없었던 다양한 정보를 얻을 수 있음을 직접적으로 보인 것이다. 따라서 본 연구의 방법처럼 데이터마이닝 기법에 데이터 시각화 기능을 연결하면 데이터로부터 숨어있는 지식을 탐구하는 데이터마이닝 과정이 더욱 효율적일 수 있다.

가설 설정

  • ① 유아사망률이 31.4 보다 높으면 생활만족도는 낮다(오류율 = 0/19).
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
데이터 시각화의 기본적인 원리는 무엇인가? 데이터 시각화의 기본적인 원리는 데이터 컨디셔닝(data conditioning)으로서, 데이터의 일부를 선택(select)하거나, 삭제(delete), 집중(focus)하여 이 결과가 통계적 모형이나 도형에 미치는 영향을 분석하는 것이다. 데이터 컨디셔닝은 통계적 도형 위에서 컴퓨터의 마우스를 이용하여 데이터의 일부를 하이라이트(highlight) 또는 브러싱(brushing)하고 이를 다른 도형과 링크함으로서 이루어진다.
데이터마이닝이란 무엇인가? 데이터마이닝은 대규모 데이터베이스로부터 이전에는 발견되지 않았던 유용한 정보를 추출하는 지식 발견 작업이다. 데이터에서 체계적이고 자동적으로 통계적 규칙이나 패턴 등 다양한 정보를 찾아내기 위한 데이터마이닝 방법론으로는 통계적 기법, 기계학습, 패턴인식 기법 등이 있다.
결정나무에서 2분형(binary split) 방법의 장점은 무엇인가? 분리는 변수를 사용하여 이루어지며 대개 2분형(binary split) 방법을 적용한다. 가지를 만들 때 꼭 이분형으로 나누어지지 않을 수도 있지만, 이분형 나무는 논리적으로 더 명백할 뿐만 아니라 다분형도 이분형으로 표현할 수 있다는 장점이 있다. 명목형 변수의 경우에는 범주에 의해 이분형을 만들어 나갈 수가 있으며, 한번 분리된 변수는 다시 분리되지 않는다(이분형의 경우).
질의응답 정보가 도움이 되었나요?

참고문헌 (12)

  1. Breiman, L., Friedman, J. H., Olshen, R. A. and Stone, C. J. (1984). Classification and Regression Trees, Monterey, CA: Wadsworth & Brooks/Cole Advanced Books & Software 

  2. Cleveland, W. S. and McGill, M. E. (1988). Dynamic Graphics for Statistics, Wadsworth & Brooks/Cole, Belmont, CA 

  3. Huh, M. Y. (2001). Strategy for visual clustering, The Korean Journal of Applied Statistics, 4, 177？190. (in Korean) 

  4. Huh, M. Y. (1995). Exploring multidimensional data with FEDF, Journal of Computational and Graphical Statistics, 4, 335？343 

  5. Huh, M. Y. (2009). http://stat.skku.ac.kr/myhuh. 

  6. Huh, M. Y. and Song, K. Y. (2002). DAVIS: A Java-based data visualization system, Computational Statistics, 17, 411？423 

    상세보기

  7. Kass, G. V. (1980) An exploratory technique for investigating large quantities of categorical data, Applied Statistics, 29, 119？127 

  8. Nocholas, C. J. (1999). The emergence of data visualization and prospects for its business application, Masters of Information Systems Management Professional Seminar 

  9. Quinlan, J. R. ( 1986). Induction of decision trees, Machine Learning, 1, 81？106 

    상세보기 crossref

  10. Quinlan, J. R. (1993). C4.5: Programs for Machine Learning, Morgan Kaufmann Publishers 

  11. Quinlan, J. R. (1996). Improved use of continuous attributes in c4.5., Journal of Artificial Intelligence Research, 4, 77？90 

    상세보기

  12. Witten, I. H. and Frank, E. (2005). Data Mining: Practical Machine Learning Tools and Techniques, (Second Edition), Morgan Kaufmann 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

BRONZE

출판사/학술단체 등이 한시적으로 특별한 프로모션 또는 일정기간 경과 후 접근을 허용하여, 출판사/학술단체 등의 사이트에서 이용 가능한 논문

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로