[논문 리뷰] Regional Development Classification Model using Decision Tree Approach

Tb Ai Munandar, Edi Winarko|arXiv (Cornell University)|2015. 05. 20.

Economic Growth and Fiscal Policies참고 문헌 10인용 수 4

한 줄 요약

이 연구는 중간자바와 바텐트 성의 GDP 데이터를 사용하여 지역 개발 수준을 분류하기 위한 의사결정나무 기반 모델을 제안한다. J48 알고리즘을 적용하여 85.18%의 정확도를 기록했으며, 코타 타נגר앙, 코타 타נגר앙, 켄달, 마젤랑, 페말랑, 레무방, 세마랑, 원오스보 등 개발이 미흡한 지역을 식별하여 정책 입안자에게 신속하고 데이터 기반의 의사결정 지원 도구를 제공한다.

ABSTRACT

Regional development classification is one way to look at differences in levels of development outcomes. Some frequently used methods are the shift share, Gain index, the Iindex Williamson and Klassen typology. The development of science in the field of data mining, offers a new way for regional development data classification. This study discusses how the decision tree is used to classify the level of development based on indicators of regional gross domestic product (GDP). GDP Data Central Java and Banten used in this study. Before the data is entered into the decision tree forming algorithm, both the provincial GDP data are classified using Klassen typology. Three decision tree algorithms, namely J48, NBTRee and REPTree tested in this study using cross-validation evaluation, then selected one of the best performing algorithms. The results show that the J48 has a better accuracy rate which is equal to 85.18% compared to the algorithm NBTRee and REPTree. Testing the model is done to the six districts / municipalities in the province of Banten, and shows that there are two districts / cities are still at the development of the status quadrant relatively underdeveloped regions, namely Kota Tangerang and Kabupaten Tangerang. As for the Central Java Province, Kendal, Magelang, Pemalang, Rembang, Semarang and Wonosobo are an area with a quadrant of development also on the status of the region is relatively underdeveloped. Classification model that has been developed is able to classify the level of development fast and easy to enter data directly into the decision tree is formed. This study can be used as an alternative decision support for policy makers in order to determine the future direction of development.

연구 동기 및 목표

• 기계학습을 활용하여 데이터 기반의 지역 개발 수준 분류 모델을 개발하기 위해.
• GDP 지표를 기반으로 지역 개발을 분류하는 데 있어 여러 의사결정나무 알고리즘의 성능을 평가하기 위해.
• 표준화된 분류 프레임워크를 사용하여 중간자바와 바텐트 성의 개발이 미흡한 지역을 특정하기 위해.
• 지역 개발 계획을 위한 실용적이고 신속하며 확장 가능한 의사결정 지원 시스템을 제공하기 위해.
• J48, NBTRee, REPTree 알고리즘의 분류 정확도를 비교하여 지역 데이터에 대한 성능을 분석하기 위해.

제안 방법

• 연구는 중간자바와 바텐트 성의 15개 자치구/시를 대상으로 GDP 데이터를 입력 특성으로 사용한다.
• 지역의 개발 상태를 체계화하기 위해 Klassen 유형론이 사전 분류로 적용된다.
• 세 가지 의사결정나무 알고리즘—J48, NBTRee, REPTree—가 10겹 교차검증을 사용하여 훈련되고 평가된다.
• 모델 성능은 분류 정확도로 측정되며, 최고의 성능을 보인 알고리즘이 최종 분석에 사용된다.
• 최종 모델은 바텐트 성의 여섯 개 자치구/시에서 테스트되어 예측 능력을 검증한다.
• 의사결정나무의 구조는 정책 관련 통찰을 위한 해석 가능한 분류 규칙을 제공한다.

실험 결과

연구 질문

• RQ1 GDP 데이터를 기반으로 지역 개발 수준을 분류하는 데 있어 어떤 의사결정나무 알고리즘이 가장 우수한 성능을 보이는가?
• RQ2 기계학습 모델은 성별 GDP 지표를 사용하여 지역을 개발 사각지대에 분류하는 데 얼마나 정확한가?
• RQ3 중간자바와 바텐트 성의 어느 자치구/시가 모델에 의해 상대적으로 개발이 미흡한 지역으로 분류되는가?
• RQ4 제안된 모델은 지역 개발 정책에 대한 확장 가능하고 해석 가능한 의사결정 지원 도구로 활용될 수 있는가?
• RQ5 Klassen 유형론 기반 전처리 과정이 분류 결과에 어떤 영향을 미치는가?

주요 결과

• J48 알고리즘이 85.18%의 최고 분류 정확도를 기록하여 NBTRee와 REPTree를 능가했다.
• 바텐트 성의 코타 타נגר앙과 코타 타נגר앙이 상대적으로 개발이 미흡한 지역으로 분류되었다.
• 중간자바에서는 켄달, 마젤랑, 페말랑, 레무방, 세마랑, 원오스보도 개발이 미흡한 지역으로 확인되었다.
• 모델은 높은 해석 가능성과 낮은 계산 비용으로 지역 개발 수준을 성공적으로 분류했다.
• Klassen 유형론을 전처리 단계로 사용함으로써 개발 상태 분류의 일관성이 향상되었다.
• 최종 의사결정나무 모델은 직접적인 데이터 입력이 가능하며, 빠른 정책 관련 분류를 지원한다.