초록
랜덤 포레스트(RF)는 최근 몇 년간 다양한 머신러닝 작업에 적용된 앙상블 기반의 기계학습 방법이다. 본 논문은 회귀 문제를 위한 기울어진(random) 랜덤 포레스트를 생성하기 위한 진화적 접근법을 제안한다. 구체적으로, 본 연구에서는 진화적 특성 생성 기법을 통해 원래의 특성 공간을 새로운 특성 공간으로 변환함으로써 기울어진 랜덤 포레스트를 유도한다. 탐색 과정을 가속화하기 위해, 제안된 방법은 랜덤 포레스트(RF)가 아닌 결정 트리(DT)를 기반으로 각 특성 집합을 평가한다. 성능이 우수한 특성과 해당 트리를 탐색 과정 중에 아카이브하여, 최종적으로 랜덤 포레스트를 구성할 수 있도록 한다. 이를 통해 특성과 포레스트가 단일 실행 내에서 동시에 구축될 수 있다. 제안된 진화적 포레스트는 특성별로 다양한 특성을 지닌 117개의 벤치마크 문제에 적용되었으며, 여러 변형된 랜덤 포레스트 및 그래디언트 부스팅 결정 트리(GBDT)를 포함한 최신 회귀 방법들과 비교되었다. 실험 결과, 제안된 방법이 기존의 랜덤 포레스트 및 GBDT 방법들을 모두 상회함을 보였다.