초록
우리는 분류 문제를 해결하기 위한 알고리즘과 새로운 방법을 제안한다. 본 연구에서는 비지배 정렬 유전 알고리즘(NSGA)-III로 학습되는 진화적 학습 알고리즘인 다중 출력 신경 트리(Multi-output Neural Tree, MONT) 알고리즘을 제안한다. 진화적 학습은 확률적 특성을 가지므로, MONT 형태의 가설은 진화적 학습의 각 실행마다 고유하게 생성되며, 이는 각 가설(트리)이 위상 공간과 파라미터 공간에서 다른 모든 가설과 서로 다른 특성을 지닌다는 것을 의미한다. 이러한 특성은 트리의 크기를 최소화하고 분류 정확도를 최대화하는 것을 목표로 하는 도전적인 최적화 문제를 야기한다. 따라서 파레토 최적성(Pareto-optimality)은 하이퍼볼륨 지표(Hypervolume indicator) 분석을 통해 평가되었다. MONT의 성능 평가를 위해 9개의 벤치마크 분류 학습 문제를 사용하였다. 실험 결과, MONT는 높은 정확도로 분류 문제를 해결할 수 있음을 확인하였다. 본 연구에서 다루어진 문제 집합에 대해 MONT의 성능은 다층 퍼셉트론, 오차 감소 가지치기 트리, 나이브 베이즈 분류기, 결정 트리, 서포트 벡터 머신 등 잘 알려진 여러 분류기들과 비교하여 더 우수한 성능을 보였다. 또한 유전 프로그래밍, NSGA-II, NSGA-III를 사용한 MONT의 세 가지 버전의 학습 성능을 비교한 결과, NSGA-III가 가장 우수한 파레토 최적 해를 제공함을 확인할 수 있었다.