Speeding up Decision Tree Classification Using Early Stopping of Tree Traversal
국립한국교통대학교 전자공학과 부교수, Chungsoo Lim · The Journal of Next-generation Convergence Technology Association · 2024
데이터를 기반으로 컴퓨터가 사람처럼 인식하고 분류할 수 있도록 만들어 주는 기계학습 알고리즘은 빅 데이터 시대를 맞이하여 다양한 분야에서 활용되고 있다. 기계학습 알고리즘의 하나인 결정트리 알고리즘도 간단 하지만, 준수한 성능으로 다양한 분야에서, 특히 내장형 시스템상에서 구현되어 많이 활용되고 있다. 본 논문에서 는 이 결정트리 알고리즘의 분류 속도를 향상시키는 방법을 제안한다. 제안되는 알고리즘은 먼저 트리의 운행 중 노드의 계산값을 기반으로 오분류의 가능성을 식별하고 운행을 중단한다. 그리고 중단된 벡터의 클래스를 예측하 기 위해 확률을 기반으로 미리 선정된 대체 클래스를 이용한다. 실험 결과, 제안된 결정트리 알고리즘은 분류 정 확도의 저하 없이 기존의 결정트리 알고리즘보다 평균적으로 1.38배 빠른 분류 속도를 보였다. 빨라진 분류 속도 는 사용자에게 보다 쾌적한 서비스를 제공하며, 만약 내장형 시스템에서 사용된다면 전력소모를 줄여 배터리 사용 시간을 연장시킬 것으로 기대된다.