로지스틱회귀 기반의 탄성망과 의사결정나무를계층적으로 이용한 비만위험 예측 (An Obesity Risk Prediction by Hierarchically Using Logistic Regression based Elastic Net and Decision Tree)

서지정보

· 발행기관 : 한국지능시스템학회
· 수록지 정보 : 한국지능시스템학회 논문지 / 35권 / 1호 / 1 ~ 8페이지
· 저자명 : 김지희, 김성준

초록

로지스틱회귀는 대표적인 분류기법 중 하나로 학습과정이 간단하고 해석이 쉽다는 장점이있다 이로 인해 해석 가능한 모델이 선호되는 헬스케어 고객분류 등의 분야에서 자주 채택 . , ,되고 있다 그러나 특징변수 간에 상관관계가 있는 경우 오차분산이 증가하여 결과의 안정 .
성이 떨어지는 문제가 발생한다 탄성망은 그리고 페널티를 동시에 고려하여 변수선 . L1 L2택을 수행하는 회귀기법이다 본 논문은 로지스틱회귀 기반의 탄성망을 이용하여 비만위험 .
을 분류하는 방안을 제시한다 이를 위한 절차는 두 단계로 이루어진다 먼저 얕은 의사결정 . . ,나무를 구축하여 뿌리노드를 여러 개의 종료노드로 분할한다 다음 탄성망을 각 노드에 선 . ,택적으로 적용하여 개별화된 예측모델을 구한다 이러한 계층적 휴리스틱은 부분집합의 특 .
성을 고려하는 분류기를 최적으로 얻을 수 있어 예측력을 향상시키는 데 도움이 된다 제안 .
된 방법의 예시는 대한민국 국민건강영양조사 데이터셋을 통해 제공된다 이 데이터는 개 . 32의 특징변수와 개의 관측시료로 구성된다 개 범주로 구분된 를 반응변수로 삼고 3,443 . 3 BMI ,수치실험을 수행한 결과 비만위험 예측의 정확도는 약 로 나타났다 이는 의사결정나 72.0% .
무 로지스틱회귀 등 기본 분류기에 비해 다소 개선된 결과로서 제안된 방법이 방대한 데이 ,터셋을 다루는 데 효과가 있음을 알 수 있다.

영어초록

Logistic regression is one of the widely used classification techniques, and has theadvantages of simple learning process and easy interpretation. It is widely adoptedin practical applications such as healthcare and credit rating where interpretablemodels are preferred. However, if there is a correlation between feature variables,the error variance increases, which may reduce the stability of the prediction results.
Elastic nets are regression techniques that perform variable selection by simultaneouslyconsidering L1 and L2 penalties. This study presents a method to classify obesityrisk using elastic nets based on logistic regression. The procedure consists of twosteps. First, a shallow decision tree is applied to divide the root node into severalterminal nodes. Next, an elastic net is selectively applied to each node to obtain acustomized prediction model. Such a hierarchical heuristic can contribute to improvingthe predictive power because it can optimally obtain a classifier that considers thecharacteristics of a subset. An illustration of the proposed method is provided byusing Korea National Health and Nutrition Examination Survey dataset. The dataconsists of 32 feature variables and 3,443 observation samples. BMI is firstcategorized into 3 classes and then chosen as a response variable. Our numericalexperiments show that the accuracy is about 72.0%. This is an improvement overbaseline classifiers such as decision trees and logistic regression. Although theimprovement is not that large, the presented classifier is definitely effective indealing with large amounts of data.

참고자료

· 없음