지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학술저널
- 저자정보
- 발행연도
- 2021.1
- 수록면
- 15 - 23 (9page)
이용수
초록· 키워드
오류제보하기
Most of the open-source decision tree algorithms are based on three splitting criteria (Entropy, Gini Index, and Gain Ratio). Therefore, the advantages and disadvantages of these three popular algorithms need to be studied more thoroughly. Comparisons of the three algorithms were mainly performed with respect to the predictive performance. In this work, we conducted a comparative experiment on the splitting criteria of three decision trees, focusing on their interpretability. Depth, homogeneity, coverage, lift, and stability were used as indicators for measuring interpretability. To measure the stability of decision trees, we present a measure of the stability of the root node and the stability of the dominating rules based on a measure of the similarity of trees. Based on 10 data collected from UCI and Kaggle, we compare the interpretability of DT (Decision Tree) algorithms based on three splitting criteria. The results show that the GR (Gain Ratio) branch-based DT algorithm performs well in terms of lift and homogeneity, while the GINI (Gini Index) and ENT (Entropy) branch-based DT algorithms performs well in terms of coverage. With respect to stability, considering both the similarity of the dominating rule or the similarity of the root node, the DT algorithm according to the ENT splitting criterion shows the best results.
목차
등록된 정보가 없습니다.
참고문헌 (30)
참고문헌 신청
An, A. / 2001 / Rule Quality Measures for Rule Induction Systems / Computational Intelligence 17(3):409~424
Baesens, B / 2004 / Enterprise Information Systems V :131~137
Belle, V. / 2020 / Principles and Practice of Explainable Machine Learning / arXiv preprint arXiv:2009.11698
Breiman, L / 1984 / Classification and Regression Trees / Wadsworth and Brooks
Breiman, L. / 1996 / Heuristics of Instability and Stabilization in Model Selection / The Annals of Statistics 24(6):2350~2383
Baesens, B / 2004 / Enterprise Information Systems V :131~137
Belle, V. / 2020 / Principles and Practice of Explainable Machine Learning / arXiv preprint arXiv:2009.11698
Breiman, L / 1984 / Classification and Regression Trees / Wadsworth and Brooks
Breiman, L. / 1996 / Heuristics of Instability and Stabilization in Model Selection / The Annals of Statistics 24(6):2350~2383
함께 읽어보면 좋을 논문
논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!
-
대표적인 DT 알고리즘의 해석력 비교
대한산업공학회 추계학술대회 논문집
2020 .11
-
해석력 관점의 의사결정나무 안정성 분석 – 대표적인 알고리즘을 중심으로
대한산업공학회 춘계공동학술대회 논문집
2022 .06
-
Ensemble of Fuzzy Decision Tree for Efficient Indoor Space Recognition
한국컴퓨터정보학회논문지
2017 .04
-
Decision Tree 기법을 이용한 회전체 최적 센서 위치 결정
한국정밀공학회 학술발표대회 논문집
2016 .05
-
Decision Tree의 인공지능 학습을 통한 최적 전략 도출 방법
한국에너지학회 학술발표회
2020 .11
-
Decision Tree 기반의 미세먼지 농도별 이진 분류 모델
한국정보통신학회 종합학술대회 논문집
2020 .10
-
Decision Tree를 활용한 교량 손상발생 패턴 모델 개발
대한토목학회 학술대회
2017 .10
-
인공지능 및 토양 모니터링 기반 스마트 수목 보호틀 통합 관리 시스템
멀티미디어학회논문지
2023 .04
-
New Collision Avoidance Technique for Tree Algorithm
대한전자공학회 학술대회
2017 .01
-
A Decision Tree Approach for Identifying Defective Products in the Manufacturing Process
International JOURNAL OF CONTENTS
2017 .06
-
랜덤포레스트와 유전알고리즘을 이용한 표적 분류 기법
대한전자공학회 학술대회
2016 .11
-
A Regression Model Tree Algorithm by Multi-task Learning
Industrial Engineering & Management Systems
2021 .06
-
Predicting Machine Processing Time using Decision Tree
대한산업공학회 춘계공동학술대회 논문집
2017 .04
-
Decision tree 기반 알고리즘을 활용한 해체폐기물 발생량 예측모델 개발
대한건축학회논문집
2023 .03
-
Verifying the Stability of Tree Algorithms on Complex Industrial Internet of Things Dataset
한국통신학회 학술대회논문집
2023 .06
-
도심지 아스팔트 포장의 유지보수공법 의사결정 절차 개선
한국도로학회논문집
2018 .01
-
Object Classification Method Using Dynamic Random Forests and Genetic Optimization
한국컴퓨터정보학회논문지
2016 .05
-
탐색 성능 향상을 위한 학습된 B-Tree 분석
한국정보과학회 학술발표논문집
2020 .12
-
Decision Tree 모델을 이용한 Indoor Traffic 분석
한국통신학회 학술대회논문집
2022 .11
-
의사 결정 트리와 랜덤 포레스트 모델 분석
Proceedings of KIIT Conference
2018 .06
이 논문의 저자 정보
최근 본 자료
댓글(0)
0