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
- 하지만 이들의 연구는 머신러닝의 다양한 방법중에서 의사결정나무만을 이용하였고, 최근에는 머신러닝의 다양한 기법들이 연구에 활용되고 있다. 본 연구에서는 로짓모형(logistic regression), 의사결정나무(decision tree), 인공신경망(artificial neural network), kNN(k-nearest neighbor), 앙상블 모형(ensemble) 등 머신러닝기법을 이용하여 이들의 효율성을 검증하고 모돈의 임신사고 발생에 대한 예측력을 비교분석하여 양돈농장 모돈관리에 대한 의사결정을 자동화 할 수 있을지 여부를 판단하고자 한다.
- 본 연구에서는 머신러닝 방법론을 사용하여 축산농가의 의사결정지원에 활용할 수 있는 방안을 제시하고자 국내에서 가장 대표적으로 사용되는 양돈관리프로그램인 Pigplan을 통해 축적된 자료에 적용하여 양돈농장의 모돈의 산차별 생산력 예측모형을 도출하고자 하였다. 머신러닝 기법 적용에 대한 현실성을 평가하기 위하여 Pigplan 데이터를 대상으로 사례분석을 실시하기 위해 먼저 선행연구 고찰을 통해 사용할 다섯가지 머신러닝 모형을 선정하였으며, 선정된 모형들을 평가할 방법을 고찰하고, 본 연구에서 사용할 평가방법에 대해 논의하였다.
- 본 연구의 목표는 머신러닝 방법론을 국내에서 가장 대표적으로 사용되는 양돈관리프로그램인 Pigplan을 통해 축적된 자료에 적용하여 농업 경영의사결정지원에 활용할 수 있는 방안을 제시하는 데 있다. 이를 위해 우선 Pigplan 사용농가와 관련종사자를 대상으로 요구사항을 수집하였다.
제안 방법
- Ⅳ장에서는 연구분석결과 머신러닝 방법론에 따른 임신사고 예측결과를 제시하였다. Ⅴ장에서는 연구결과를 요약하고 연구의 활용방안과 향후 연구과제를 살펴보았다.
- 유효성검정데이터를 적용하여 가장 잘 분류하는 하나의 나무만 선택한다. 넷째, 잎 수가 하나인 하위의사결정나무로부터 시작하여 최종의사결정나무까지 유효성검정데이터를 적용하여 분류정확도를 계산하며, 다섯째, 유효성검정데이터(validation set)의 분류정확도가 더 이상 증가하지 않거나 감소하는 시점에서 가지치기를 한다.
- 앙상블모형은 네트웍의 학습 알고리즘을 다르게 하는 방법을 사용하였다. 도태결정 문제는 분류 문제이므로, 여러 네트웍의 결과에서 다수결인 경우를 해답으로 선택하였다. 선택된 네트웍은 위에서 생성한 로짓회귀, 의사결정나무, 인공신경망, kNN 이었다.
- 종료규칙을 토대로 생성된 의사결정나무의 경우도 훈련에 사용되지 않은 새로운 데이터는 잘 판별하지 못하는 과도적합(overfitting)의 문제가 존재할 수 있다. 따라서 유효성검정데이터(validation data)를 이용하여 가지치기(Pruning)을 실시하며, 가지치기 방법은 첫째, 종료규칙에 의해 최종 의사결정나무를 생성하며, 둘째, 최종 의사결정나무로부터 하위의사결정나무들(subtrees)을 생성한다. 셋째, 하위의사결정나무는 최종의사결정나무의 잎(leaf) 수를 순차적으로 하나씩 줄여가면서 만든다.
- 본 연구에서는 머신러닝 방법론을 사용하여 축산농가의 의사결정지원에 활용할 수 있는 방안을 제시하고자 국내에서 가장 대표적으로 사용되는 양돈관리프로그램인 Pigplan을 통해 축적된 자료에 적용하여 양돈농장의 모돈의 산차별 생산력 예측모형을 도출하고자 하였다. 머신러닝 기법 적용에 대한 현실성을 평가하기 위하여 Pigplan 데이터를 대상으로 사례분석을 실시하기 위해 먼저 선행연구 고찰을 통해 사용할 다섯가지 머신러닝 모형을 선정하였으며, 선정된 모형들을 평가할 방법을 고찰하고, 본 연구에서 사용할 평가방법에 대해 논의하였다.
- 모돈의 생산성 예측 모형의 설계를 위해 먼저 총산자수를 결정하는 변인들을 설정하였다. 모돈의 총산자수는 주로 모돈의 유전적 변인과 농가의 사양 및 환경관리에 의해 좌우된다.
- 모형을 구축하기 전에 우선 데이터를 훈련데이터 셋(training set) 40%, 유효성데이터 셋(validation set) 30%, 검정데이터 셋(test set) 30%로 나누었다. 훈련데이터 셋(training set)은 모형을 생성하는 데 사용되며, test set은 모형을 비교ㆍ평가하는 데 사용된다.
- Ⅲ장에서는 본 연구과제를 수행하기위한 연구방법에 관해 논의하였다. 본 연구에서 사용한 사용자 요구분석방법과 머신러닝 기법 적용 방법이 나타나 있다. Ⅳ장에서는 연구분석결과 머신러닝 방법론에 따른 임신사고 예측결과를 제시하였다.
- 본 연구에서 설정한 종료규칙은, 첫째, 분리된 마디는 최소한 30개 이상의 관측치를 가져야 하며, 둘째, 마디의 관측치가 100개이하일 경우에는 더 이상 분리하지 않으며, 셋째, 나무의 깊이(depth of tree)의 최대값은 6으로 설정하였고, 넷째, x2 검정시 p값이 0.2 이상일 경우에는 더 이상 분리하지 않는다.
- 모돈의 총산자수는 주로 모돈의 유전적 변인과 농가의 사양 및 환경관리에 의해 좌우된다. 본 연구에서는 투입변인으로는 이전 3산차까지의 성적을 투입변인으로 설정하였다. 과거 산차의 성적에 사용된 투입변인은 임신사고회수, 총사고 일령, 분만일령, 이유일령, 이유 후 교배일령, 총산, 실산, 생시체중, 이유두수, 이유체중이다.
- 5 알고리즘의 가능성과 한계를 파악하였다. 실험비교로 사용된 4개의 방법은 모돈 생산성(이유두수)만 고려하여 도태, 무작위 도태, C4.5 알고리즘, 가지치기 알고리즘을 포함한 C4.5 알고리즘이였다. 이 연구에서 연구자들은 C4.
- 이 후 농업분야의 데이터에 대한 머신러닝 기법 적용에 대한 현실성을 평가하기 위하여 실제 Pigplan 데이터에 머신러닝 방법론을 적용하였다. 이 결과를 토대로 향후 농업분야에 머신러닝기법 적용을 위한 참조모형을 도출하였다.
- , 1994;, Bentz and Merunka, 2000), 인공신경망을 추가로 선택하였다. 이와 함께 이들 4개의 모형을 복합적으로 사용하는 앙상블 기법도 추가하여 그 결과를 비교하였다.
- 리프트 값을 통해 무작위로 추출했을 경우에 비해 해당 모형이 몇 배나 더 높은 예측 확률을 가지고 있는지 파악할 수 있다. 조사대상 농가들의 모돈의 산차별 총 산자수가 7두이하인 비율이 산차별로 8-11%에 머무르고 있는 점을 고려하여 생산성이 낮은 모돈순으로 상위 10%의 모돈을 추출했을 경우의 모형의 리프트값을 모형별로 비교하였으며, 생산성이 낮은 하위 20%의 모돈까지 확대하여 결과를 비교하였다.
- 따라서 은닉노드수는 3개로 결정하였다. 학습중 validation set의 에러가 증가할 경우 학습을 멈추는 validation error를 통한 early stopping을 사용하였다.
- 모형의 비교는 test set을 통해 이루어졌다. 훈련(train)데이터를 통해 생성된 5개의 모형에 test set을 적용하여 모형을 평가하였다. 각산차별 모돈수와 해당 산차 train set, validation set, test set의 총 산자수가 7두 이하인 비율은 <표 2>에서 제시된 바와 같다.
대상 데이터
- 그러나 나머지 모형의 경우는 결측치가 있을 경우 분석에서 제외된다. 따라서 로짓모형, kNN, 인공신경망 모형에는 결측치를 등간척도와 서열척도 모두 의사결정나무 기법을 이용해 대체(replacement)한 자료가 분석에 사용되었다. kNN의 경우에는 수치가 큰 변인에 따라 거리 값이 큰 영향을 받는다.
- 모돈의 생산성을 예측하는 머신러닝 모델들의 적용을 위해 국내 양돈 농가에서 가장 많이 사용하고 있는 양돈 생산 경영 관리프로그램인 Pigplan에서 수집된 데이터를 대상으로 분석하였다. 모돈의 산차별 총산자수 예측의 효율성을 높이기 위해 2006년 현재 Pigplan의 사용기간이 가장 오래된 도드람양돈농협 조합원 농가들의 자료를 대상으로 하였으며. 총 109농가중 2년이상의 데이터를 보유하고 있는 79농가의 모든 자료를 머신러닝 모델들의 분석에 이용하였다.
- 모돈의 생산성을 예측하는 머신러닝 모델들의 적용을 위해 국내 양돈 농가에서 가장 많이 사용하고 있는 양돈 생산 경영 관리프로그램인 Pigplan에서 수집된 데이터를 대상으로 분석하였다. 모돈의 산차별 총산자수 예측의 효율성을 높이기 위해 2006년 현재 Pigplan의 사용기간이 가장 오래된 도드람양돈농협 조합원 농가들의 자료를 대상으로 하였으며.
- 총 109농가중 2년이상의 데이터를 보유하고 있는 79농가의 모든 자료를 머신러닝 모델들의 분석에 이용하였다. 분석에 사용된 모돈수는 52,066두 였다. 모형의 비교는 test set을 통해 이루어졌다.
- 본 연구의 목표는 머신러닝 방법론을 국내에서 가장 대표적으로 사용되는 양돈관리프로그램인 Pigplan을 통해 축적된 자료에 적용하여 농업 경영의사결정지원에 활용할 수 있는 방안을 제시하는 데 있다. 이를 위해 우선 Pigplan 사용농가와 관련종사자를 대상으로 요구사항을 수집하였다. 이 후 농업분야의 데이터에 대한 머신러닝 기법 적용에 대한 현실성을 평가하기 위하여 실제 Pigplan 데이터에 머신러닝 방법론을 적용하였다.
- 모돈의 산차별 총산자수 예측의 효율성을 높이기 위해 2006년 현재 Pigplan의 사용기간이 가장 오래된 도드람양돈농협 조합원 농가들의 자료를 대상으로 하였으며. 총 109농가중 2년이상의 데이터를 보유하고 있는 79농가의 모든 자료를 머신러닝 모델들의 분석에 이용하였다. 분석에 사용된 모돈수는 52,066두 였다.
데이터처리
- 분석에 사용된 모돈수는 52,066두 였다. 모형의 비교는 test set을 통해 이루어졌다. 훈련(train)데이터를 통해 생성된 5개의 모형에 test set을 적용하여 모형을 평가하였다.
이론/모형
- 따라서, 모돈의 생산정 예측을 위한 분석모형으로 Michie et al.(1994)이 제시한 로짓 모형, kNN, 의사결정나무 알고리즘의 하나인 CHAID를 선택하였으며, 이와 함께 기존 머신러닝기법에서 인공신경망이 매우 우수한 결과를 나타낸 결과가 많았음을 고려하여(Bound and Ross ,1997; Mouninho et al., 1994;, Bentz and Merunka, 2000), 인공신경망을 추가로 선택하였다. 이와 함께 이들 4개의 모형을 복합적으로 사용하는 앙상블 기법도 추가하여 그 결과를 비교하였다.
- 그러나 k가 클 경우에는 너무 많은 계산시간이 소요된다. 따라서 본 연구에서는 SAS E-miner에서 제시하는 16-NN을 사용하였다. 앙상블모형은 네트웍의 학습 알고리즘을 다르게 하는 방법을 사용하였다.
- 따라서 본 연구에서는 SAS E-miner에서 제시하는 16-NN을 사용하였다. 앙상블모형은 네트웍의 학습 알고리즘을 다르게 하는 방법을 사용하였다. 도태결정 문제는 분류 문제이므로, 여러 네트웍의 결과에서 다수결인 경우를 해답으로 선택하였다.
- 유효성데이터 셋(validation set)은 인공신경망 모형과 의사결정나무에서 사용된다. 유효성데이터 셋(validation set)은 인공신경망에서는 과도적합(overfitting)을 막기위한 방법으로 유효성데이터 오류(validation error)를 통한 조기 멈춤(early stopping)에 사용되었으며, 의사결정나무에서도 과도적 합을 막기위한 가지치기(pruning)에 사용되었다.
- 05로 설정하였다. 의사결정나무모형의 경우 최적분리기준으로는 CHAID 알고리즘을 사용하였다. CHAID 알고리즘은 카이스퀘어 검정(x2 test)을 사용하여, 부모마디로 부터 분리되는 자식마디들이 최대한 서로 다르도록 만드는 것이다.
- 이를 위해 우선 Pigplan 사용농가와 관련종사자를 대상으로 요구사항을 수집하였다. 이 후 농업분야의 데이터에 대한 머신러닝 기법 적용에 대한 현실성을 평가하기 위하여 실제 Pigplan 데이터에 머신러닝 방법론을 적용하였다. 이 결과를 토대로 향후 농업분야에 머신러닝기법 적용을 위한 참조모형을 도출하였다.
- 인공신경망 모형의 경우 다층 퍼셉트론(multi-layer perceptron)과 역전파학습(back-propagation) 알고리즘으로 입력계층과 출력계층, 그리고 하나의 은닉계층을 가지는 3층 퍼셉트론(three layer perceptron)을 사용하였다. 은닉노드의 수를 결정하기 위해서 은닉노드 수를 1에서 증가시켜본 결과 3개 이상에서 더 이상 validation error가 낮아지지 않았다.
- 로짓모형의 경우 모돈의 생산성을 예측하기 위해 모돈유지를 위한 최소 산자수의 기준이 되는 7두를 넘는지 여부를 묻는 선택을(0=8두이상, 1=7두이하) 독립변인으로 도태의사에 영향을 주는 종속변인들을 단계별로 투입하는 방법(stepwise)를 사용하여 로짓모형을 생성하였다. 최우도측정법(Maximum Likihood Estimation)이 사용되었으며, 투입(entry)과 유지(stay)에 적용된 유의수준은 0.05로 설정하였다. 의사결정나무모형의 경우 최적분리기준으로는 CHAID 알고리즘을 사용하였다.
성능/효과
- 로짓(Logit)모형, 인공신경망(NN)모형, 의사결정나무(DT)모형, 앙상블(Ensemble)모형, k-Nearest Neighbor(kNN)모형의 정확도를 구하면 <표 3>과 같다. 3산, 4산, 5산의 경우의 경우는 모든 모형이 90.5%-91.3%의 정확도를 보였으며, 6산의 경우는 89.2%～89.5%의 정확도를 나타내었다. 7산의 경우는 87.
- 3산과 5산은 validation set의 총산 7두 이하의 비율이 전체 모돈의 평균치 보다 높았고, 4산과 6산의 경우는 train set의 총산 7두 이하의 비율이 평균치에 비해 높았다.
- 3산차 모돈의 리프트(lift) 값을 통해 모형의 성능(performance)를 비교해 보면, 인공신경망(NN)모형이 가장 우수한 성능을 나타내었으며, 그 다음으로는 앙상블(Ensemble)모형, 로짓(Logit)모형, 의사결정나무(DT)모형 순이었다. k-Nearest Neighbor(kNN)은 다른 모형에 비해 현저히 성능이 떨어지는 것으로 나타났다(<표 4>).
- 7산차 모돈의 경우 리프트(lift) 값을 통해 모형의 성능(performance)를 비교해 보면, 앙상블(Ensemble)모형, 인공신경망(NN)모형, 로짓(Logit)모형이 우수한 성능을 나타내었으며, 의사결정나무(DT)모형과 k-Nearest Neighbor(kNN)은 다른 모형에 비해 다소 성능이 떨어지는 것으로 나타났다(표 8). 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 로짓(Logit)모형과 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.60배, 인공신경망(NN)모형은 2.51배, 의사결정나무(DT)모형은 1.75배, k-Nearest Neighbor(kNN)은 1.64배 더 정확한 예측 확률을 가지고 있는 것으로 나타났으나, 추출비율을 20%이상으로 하였을 경우, 앙상블(Ensemble)모형과 인공신경망(NN)모형이 더 우수한 성능을 보였다. k-Nearest Neighbor(kNN)모형은 전반적으로 가장 낮은 성능을 보여, 의사결정나무(DT)은 1.
- k-Nearest Neighbor(kNN)은 다른 모형에 비해 현저히 성능이 떨어지는 것으로 나타났다(<표 5>). 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.30배, 인공신경망(NN)모형은 2.23배, 로짓(Logit)모형은 2.13배, 의사결정나무(DT)모형은 1.84배, k-Nearest Neighbor(kNN)은 1.61배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 모돈 20%까지 추출했을 경우에는 의사결정나무(DT)은 1.
- 5산차 모돈의 경우 리프트(lift) 값을 통해 모형의 성능(performance)을 비교해 보면, 앙상블(Ensemble)모형, 로짓(Logit)모형, 인공신경망(NN)모형, 의사결정나무(DT)모형의 순으로 우수한 성능을 나타내었으며, k-Nearest Neighbor(kNN)은 다른 모형에 비해 현저히 성능이 떨어지는 것으로 나타났다(<표 6>). 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.35배, 로짓(Logit)모형은 2.33배, 인공신경망(NN)모형은 2.25배, 의사결정나무(DT)모형은 1.87배, k-Nearest Neighbor(kNN)은 1.39배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 앙상블(Ensemble)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor (kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다.
- 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 인공신경망(NN)모형은 무작위추출(baseline)에 비해 2.39배, 앙상블(Ensemble)모형은 2.35배, 로짓(Logit)모형은 2.20배, 의사결정나무(DT)모형은 1.62배, k-Nearest Neighbor(kNN)은 1.35배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다.
- 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 인공신경망(NN)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor(kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다. 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 인공신경망(NN)은 무작위추출(baseline)에 비해 1.90배, 앙상블(Ensemble)모형은 1.85배, 로짓(Logit)모형은 1.76배, 의사결정나무(DT)모형은 1.51배, k-Nearest Neighbor(kNN)은 1.27배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다.
- 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 인공신경망(NN)은 무작위추출(baseline)에 비해 2.21배, 앙상블(Ensemble)모형은 2.15배, 로짓(Logit)모형은 2.09배, 의사결정나무(DT)모형은 1.88배, k-Nearest Neighbor(kNN)은 1.38배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 인공신경망(NN)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor(kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다.
- 5산차 모돈의 경우 리프트(lift) 값을 통해 모형의 성능(performance)을 비교해 보면, 앙상블(Ensemble)모형, 로짓(Logit)모형, 인공신경망(NN)모형, 의사결정나무(DT)모형의 순으로 우수한 성능을 나타내었으며, k-Nearest Neighbor(kNN)은 다른 모형에 비해 현저히 성능이 떨어지는 것으로 나타났다().
- 6산차 모돈의 경우 리프트(lift) 값을 통해 모형의 성능(performance)를 비교해 보면, 인공신경망(NN)모형과 앙상블(Ensemble)모형 가장 우수한 성능을 나타내었으며, 의사결정나무(DT)모형과 k-Nearest Neighbor(kNN)은 다른 모형에 비해 다소 성능이 떨어지는 것으로 나타났다(표 7). 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 인공신경망(NN)모형은 무작위추출(baseline)에 비해 2.
- 7산차 모돈의 경우 리프트(lift) 값을 통해 모형의 성능(performance)를 비교해 보면, 앙상블(Ensemble)모형, 인공신경망(NN)모형, 로짓(Logit)모형이 우수한 성능을 나타내었으며, 의사결정나무(DT)모형과 k-Nearest Neighbor(kNN)은 다른 모형에 비해 다소 성능이 떨어지는 것으로 나타났다(표 8). 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 로짓(Logit)모형과 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.
- 이는 모돈의 생산성이 산차가 커질수록 감소하는 일반적인 경향을 반영하고 있는 것으로 보여진다. Kirchner et al. (2006)의 C4.5 의사결정나무 모형이 85%의 정확도를 보인것과 비교하여 본 연구에서 사용한 다섯가지 모형이 모두 모든 산차에서 87.5% 이상의 높은 정확도로, 12.5% 이내의 오차를 보이고 있어, 효율적으로 모돈의 생산성을 예측하고 있음을 보여주고 있다.
- k-Nearest Neighbor(kNN)모형만 다른 모형에 비해 상대적으로 낮은 정확도를 보였고, 로짓(Logit)모형, 인공신경망(NN)모형, 의사결정나무(DT)모형, 앙상블(Ensemble)모형들은 모든 산차에서 모두 유사한 정확도를 보였다. Kirchner et al. (2006)의 C4.5 의사결정나무 모형이 85%의 정확도를 보인것과 비교하여 본 연구에서 사용한 다섯가지 모형이 모두 모든 산차에서 87.5%～91.3%의 높은 정확도로, 5～12% 정도의 오차를 보이고 있어, 효율적으로 모돈 임신사고를 예측하고 있음을 보여주고 있다. 따라서, 머신러닝의 모형들 모두 효과적인 의사결정지원에 사용될 수 있음을 보여준다.
- 1%의 정확도를 나타내었다. k-Nearest Neighbor(kNN)모형만 다른 모형에 비해 상대적으로 낮은 정확도를 보였고, 로짓(Logit)모형, 인공신경망(NN)모형, 의사결정나무(DT)모형, 앙상블(Ensemble)모형들은 모든 산차에서 모두 유사한 정확도를 보였다. Kirchner et al.
- k-Nearest Neighbor(kNN)모형은 전반적으로 가장 낮은 성능을 보여, 의사결정나무(DT)은 1.61배, 앙상블(Ensemble)모형은 2.05배, 로짓(Logit)모형은 1.91배, k-Nearest Neighbor(kNN)모형은 1.32배, 인공신경망(NN)모형은 2.11배를 무작위 추출에 비해 더 정확히 예측하는 것으로 나타났다.
- 로짓모형과 인공신경망 모형의 경우도 상대적으로 우수한 성능을 나타내었다. 그러나 의사결정나무 모형과 k-Nearest Neighbor 모형은 성능이 떨어지는 것으로 나타났다. 리프트 값은 산차가 증가할수록 높아지는 것으로 나타났다.
- 첫째, 많은 머신러닝 기법보다 로짓모형이나 판별분석이 우수한 경우가 많았으며, 변인들에 대한 정규분포의 가정이 충족되지 않을 경우 머신러닝 기법들이 효과적이라는 것을 밝혔다. 둘째, k-Nearest Neighbor(kNN) 기법이 머신러닝의 여타 모형에 비해 일반적으로 분류 및 예측 능력이 우수한 것으로 나타났으며, 셋째, kNN의 분류 및ㆍ예측 능력이 떨어지는 경우, 대부분 의사결정나무가 상대적으로 좋은 결과를 나타내었다.
- 또한, 모형의 예측효율성을 나타내는 리프트 값은 산차가 커질수록 증가하였으며, 산차별로 가장 성능이 좋은 모형의 리프트 값과 가장 나쁜 성능의 리프트 값 차이는 3산차에서 .83. 4산차에서 0.
- 5를 이용하였으며, 2개 농가의 데이터를 이용해 농가에 따른 도태결정의 차이를 규명하기 위해 산차, 평균분만두수, 평균분만사고두수, 평균이유두수, 교배회수, 이유사고두수, 이유후 발정기간, 재발률 등을 사용하였으며 실측지의 적용결과 정확도는 85% 정도로 나타났다. 또한, 질병이나 사고로 인해 생성된 데이터들은 제외한 후, 의사결정나무를 적용한 결과는 92～95%의 정확도를 나타냈다. 또 두 농가의 도태전략도 차이가 있는 것으로 나타났다.
- 그러나 의사결정나무 모형과 k-Nearest Neighbor 모형은 성능이 떨어지는 것으로 나타났다. 리프트 값은 산차가 증가할수록 높아지는 것으로 나타났다. 산차에 상관없이 가장 성능이 좋은 모형의 리프트 값과 가장 나쁜 성능의 리프트 값 차이는 1.
- 61배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 모돈 20%까지 추출했을 경우에는 의사결정나무(DT)은 1.63배, 인공신경망(NN) 모형은 1.87배, 앙상블(Ensemble) 모형은 1.93배, 로짓(Logit) 모형은 1.87배, k-Nearest Neighbor(kNN)은 1.42배를 무작위 추출에 비해 더 정확히 예측하는 것으로 나타나, 추출비율을 달리하여도 4산차 모돈의 생산성 예측은 앙상블(Ensemble)모형이 가장 우수한 것으로 나타났다.
- 3산과 5산은 validation set의 총산 7두 이하의 비율이 전체 모돈의 평균치 보다 높았고, 4산과 6산의 경우는 train set의 총산 7두 이하의 비율이 평균치에 비해 높았다. 모든 산차에서 분할된 데이터 셋의 총산 7두 이하의 비율은 크게 차이가 없었으며, 5산의 경우는 validation set의 모돈에서 총산자수 7두 이하의 비율이 1% 정도 높은 것으로 나타났으나, 측정과 평가에 영향을 줄만큼 유의미한 차이는 없는 것으로 보인다. 따라서, 각 데이터셋의 분할이 적절히 이루어진 것으로 판단된다.
- 산차가 증가할수록 모형의 정확도는 미미하게 감소하였으며, 모형들간의 정확도 차이는 미미한 것으로 나타났다. 모든 산차에서 앙상블 모형이 가장 우수한 것으로 나타났다. 로짓모형과 인공신경망 모형의 경우도 상대적으로 우수한 성능을 나타내었다.
- 모형의 측정에 사용된 Pigplan사용농가들의 총산자수가 7두 이하인 모돈들은 산차가 커질수록 증가하는 경향을 보이고 있는데, 3산의 경우 8,89%의 총산자수를 보이고 있으며, 4산과 5산에서는 큰 차이를 보이지 않았으나 6산에서는 7두이하를 출산하는 모돈의 수가 증가하여 10.49%를 차지하고 있으며, 7산에 이르러서는 그 비율이 더욱 늘어나 11.64%의 모돈이 7두이하의 총사자수를 보이고 있는 것으로 나타났다. 이는 모돈의 생산성이 산차가 커질수록 감소하는 일반적인 경향을 반영하고 있는 것으로 보여진다.
- 머신러닝 모형에 의한 산차별 총산 예측 결과를 요약하면 다음과 같다. 산차가 증가할수록 모형의 정확도는 미미하게 감소하였으며, 모형들간의 정확도 차이는 미미한 것으로 나타났다. 모든 산차에서 앙상블 모형이 가장 우수한 것으로 나타났다.
- 리프트 값은 산차가 증가할수록 높아지는 것으로 나타났다. 산차에 상관없이 가장 성능이 좋은 모형의 리프트 값과 가장 나쁜 성능의 리프트 값 차이는 1.0배 정도로 나타났다. 이는 성능이 좋은 모형은 나쁜 모형에 비해 2배이상 높은 확률로 임신사고 모돈을 예측할 수 있음을 보여준다.
- 5(Quinlan, 1992)와 First Order Inductive Learner(FOIL) (Quinlan, 1990)을 적용하여 젖소의 발정을 예측하였다. 연구의 결과 개별 개체의 평균 산유량 보다는 산유량의 변화량 패턴이 발정 예측의 주요변인으로 파악되었으며, C4.5가 FOIL보다 우수한 것으로 나타났다.
- 5 알고리즘이였다. 이 연구에서 연구자들은 C4.5 알고리즘을 이용한 의사결정이 매우 우수함을 보여주면서, 아울러 대량의 데이터를 통해서 도태의사결정을 자동화할 수 있음을 보여주었다. 하지만 이들의 연구는 머신러닝의 다양한 방법중에서 의사결정나무만을 이용하였고, 최근에는 머신러닝의 다양한 기법들이 연구에 활용되고 있다.
- (2004a, b, 2006)의 연구가 있다. 이들의 처음 모형에서는 모돈 도태에 대한 의사결정을 지원하기 위해서 의사결정나무 알고리즘의 하나인 C4.5를 이용하였으며, 2개 농가의 데이터를 이용해 농가에 따른 도태결정의 차이를 규명하기 위해 산차, 평균분만두수, 평균분만사고두수, 평균이유두수, 교배회수, 이유사고두수, 이유후 발정기간, 재발률 등을 사용하였으며 실측지의 적용결과 정확도는 85% 정도로 나타났다. 또한, 질병이나 사고로 인해 생성된 데이터들은 제외한 후, 의사결정나무를 적용한 결과는 92～95%의 정확도를 나타냈다.
- 또 두 농가의 도태전략도 차이가 있는 것으로 나타났다. 이런 결과를 토대로 연구자들은 농가에 따른 의사결정 구조의 차이를 밝혀내고, 의사결정나무를 통한 의사결정지원이 가능함을 보여주었다.
- 35배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 인공신경망(NN)모형과 앙상블(Ensemble)모형은 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 가장 우수한 성능을 보였다. 총산이 7두 이하일 확률이 가장 높은 모돈 20%를 추출했을 경우, 인공신경망(NN)모형은 무작위추출(baseline)에 비해 2.
- 04배 이상 높은 확률로 생산성이 떨어지는 모돈을 예측할 수 있음을 보여준다. 인공신경망모형이 대체로 높은 리프트값을 보였으며, 앙상블 모형이 그 다음을 이루고 있으며, k-Nearest Neighbor(kNN)모형이 가장 낮은 리프트 값을 보이고 있어서 인공신경망모형과 앙상블 모형이 가장 효율성이 높은 것으로 나타났다.
- 전체적으로 보면, 산차가 증가할수록 모형의 정확도는 미미하게 감소하였으나, 모형들간의 예측력은 비슷한 것으로 나타났다. 이는 산차가 증가할수록 모돈의 생산능력이 감소하여, 7두이하의 낮은 총산자수를 나타내는 모돈의 수가 늘어나서 총산자수의 예측력에 조금씩 떨어지는 것에서 기인한 것으로 사료된다.
- 첫째, 많은 머신러닝 기법보다 로짓모형이나 판별분석이 우수한 경우가 많았으며, 변인들에 대한 정규분포의 가정이 충족되지 않을 경우 머신러닝 기법들이 효과적이라는 것을 밝혔다. 둘째, k-Nearest Neighbor(kNN) 기법이 머신러닝의 여타 모형에 비해 일반적으로 분류 및 예측 능력이 우수한 것으로 나타났으며, 셋째, kNN의 분류 및ㆍ예측 능력이 떨어지는 경우, 대부분 의사결정나무가 상대적으로 좋은 결과를 나타내었다.
- 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 앙상블(Ensemble)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor (kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다. 총산이 7두 이하일 확률이 가장 높은 모돈 20%를 추출했을 경우, 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.00배, 로짓(Logit)모형은 1.98배, 인공신경망(NN)모형은 1.94배, 의사결정나무(DT)모형은 1.52배, k-Nearest Neighbor(kNN)은 1.42배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다.
- 인공신경망(NN)모형과 앙상블(Ensemble)모형은 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 가장 우수한 성능을 보였다. 총산이 7두 이하일 확률이 가장 높은 모돈 20%를 추출했을 경우, 인공신경망(NN)모형은 무작위추출(baseline)에 비해 2.00배, 앙상블(Ensemble)모형은 2.02배, 로짓(Logit)모형은 1.82배, 의사결정나무(DT)모형은 1.62배, k-Nearest Neighbor(kNN)은 1.29배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다.
- 39배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 앙상블(Ensemble)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor (kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다. 총산이 7두 이하일 확률이 가장 높은 모돈 20%를 추출했을 경우, 앙상블(Ensemble)모형은 무작위추출(baseline)에 비해 2.
- 38배 더 정확한 예측 확률을 가지고 있는 것으로 나타났다. 총산이 7두 이하일 확률이 높은 모돈의 추출비율을 높여도 인공신경망(NN)모형이 가장 우수한 성능을 보였으며, k-Nearest Neighbor(kNN)모형의 성능이 다른 모형에 비해 가장 떨어지는 것으로 나타났다. 5개의 모형을 통해 총산이 7두 이하일 확률이 가장 높은 모돈 10%를 추출했을 경우, 인공신경망(NN)은 무작위추출(baseline)에 비해 1.
- 총산자수가 7두 이하인 모돈들은 산차가 커질수록 증가하는 경향을 보이고 있는데, 3산의 경우 8,89%의 총산자수를 보이고 있으며, 4산과 5산에서는 큰 차이를 보이지 않았으나 6산에서는 7두이하를 출산하는 모돈의 수가 증가하여 10.49%를 차지하고 있으며, 7산에 이르러서는 그 비율이 더욱 늘어나 11.64%의 모돈이 7두이하의 총사자수를 보이고 있는 것으로 나타났다. 이는 모돈의 생산성이 산차가 커질수록 감소하는 일반적인 경향을 반영하고 있는 것으로 보여진다.
후속연구
- 연구의 한계로는 산차가 높을수록 모형들의 정확도는 떨어지고 효율성은 높아지고 있어서 선도농가에 대한 모형과 자료의 확충을 통해 보완할 필요가 있다. 산차에 따라 농가의 성격에 따라 의사결정의 효율성이 모형에 따라 달라지는 것으로 보아 산차마다 모돈의 성적에 영향을 주는 요인들이 존재할 수 있음을 보여준다.
- 산차에 따라 농가의 성격에 따라 의사결정의 효율성이 모형에 따라 달라지는 것으로 보아 산차마다 모돈의 성적에 영향을 주는 요인들이 존재할 수 있음을 보여준다. 좀 더 향상된 생산성 예측을 위해 데이터탐색과정과 현장전문가의 참여를 통한 변인의 선정과 데이터의 분할을 통해 농가의 성격에 따른 생산성 분석이 필요할 것으로 판단된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.