퍼지의사결정나무 개선방법을 이용한 CRM 적용 사례 = Case Study of CRM Application Using Improvement Method of Fuzzy Decision Tree Analysis

다국어 초록 (Multilingual Abstract)

Decision tree is one of the most useful analysis methods for various data mining functions, including prediction, classification, etc, from massive data. Decision tree grows by splitting nodes, during which the purity increases. It is needed to stop splitting nodes when the purity does not increase effectively or new leaves does not contain meaningful number of records. Pruning is done if a branch does not show certain level of performance. By pruning, the structure of decision tree is changed and it is implied that the previous splitting of the parent node was not effective. It is also implied that the splitting of the ancestor nodes were not effective and the choices of attributes and criteria in splitting them were not successful. It should be noticed that new attributes or criteria might be selected to split such nodes for better tries. In this paper, we suggest a procedure to modify decision tree by Fuzzy theory and splitting as an integrated approach.

국문 초록 (Abstract)

의사결정나무는 대량의 데이터를 몇 개의 집단으로 분류하고, 미래상황을 예측하기 위해 자주 사용되는 분석기법 중의 하나이며, 각 노드에서 분할이 일어나면서 자라게 되고, 각 노드에 속하는 자료의 순수도가 효과적으로 증가하도록 진행된다. 또한 의사결정나무를 생성하는 과정에서 필요 이상의 가지(leaves)를 갖게 되면 노드의 분할을 정지하거나, 분류성능 향상에 큰 도움이 되지 못하는 가지를 잘라내게 된다. 이러한 가지치기의 결과로 의사결정나무의 형태가 변하게 되는데 이는 기존의 가지분할이 효율적이지 않았음을 의미하는 것이다. 본 연구에서는 가지치기의 교정뿐 아니라 새로운 분할과정을 혼합한 우수한 의사결정나무 추출 방법을 제안한다. 특히, 새로운 분할 노드의 선택에 있어 퍼지이론을 적용하여 분할의 효과성을 제고할 수 있는 방법을 제시하고자 한다.

참고문헌 (Reference)

1 이우향, "특징공간을 사선 분할하는 퍼지 결정트리 유도" 한국정보과학회 29 (29): 156-166, 2002

2 김충영, "이동통신서비스 해지고객 예측모형의 비교 분석에 관한 연구" 한국경영정보학회 12 (12): 139-158, 2002

3 J. S. Oh, "The problems, the present conditions and the prospects for CRM market" KISDI IT FOCUS 2001

4 W. H. Jung, "Optimization of theDecisionTree" 1991

5 X. Wang, "On the OptimizationofFuzzy Decision Trees" 112 : 117-125, 2000

6 B. Apolloni, "Learning Fuzzy Decision Trees" 11 : 885-895, 1998

7 H. C. Kang, "Interpretation of Data Mining Prediction Model Using Decision Tree" 7 (7): 937-943, 2000

8 X. Wang, "Intelligent data analysis with fuzzy decision trees" 11 : 439-457, 2007

9 Y. Yuan, "Induction of fuzzy decision trees" 69 : 125-139, 1995

10 L. O. Hall, "Generatingfuzzyrulesfromdata" 3 : 1757-1762, 1996

11 K. M. Lee, "Fuzzy Decision Tree for FuzzyDatawith Numeric Attributes and Non -NumericAttributes" 7 (7): 1999

12 K.M.Lee, "Fuzzy Classification Rule Learning by Decision Tree Induction" 3 (3): 44-51, 2003

13 C. W. Min, "Efficient FuzzyRule Generation Using Fuzzy Decision Tree" 35-C (35-C): 59-68, 1998

14 L. F. Mendonςa, "Decision tree search methods in fuzzy modeling and classification" 22 : 106-123, 2007

15 R. Fleischer, "Decision Trees: Old and New Results" 152 : 44-61, 1999

16 C. Apte, "Data mining with decision trees and decision rules" 13 : 197-210, 1997

17 J. Zeidler, "Continuous -valued attributes in fuzzy decision trees" 395-400, 1996

18 이건명, "Classification Rule Mining from Fuzzy Data based on Fuzzy Decision Tree" 28 (28): 64-72, 2001

19 M. Friedman, "Certain Computational Aspects of Fuzzy Decision Trees" 28 : 1998

20 H. Almuallim, "An efficient algorithm for optimal pruning of decision trees" 83 : 347-362, 1996