earticle

영어

Machine learning algorithms, which allow computers to recognize and classify data like humans, are widely used across various fields in the big data era. The decision tree algorithm, known for its simplicity and effectiveness, is particularly popular in embedded systems. This paper introduces a method to speed up this algorithm by stopping tree traversal when a potential misclassification is identified, and using a predetermined alternate class based on probability for halted vectors. Experimental results show that the proposed decision tree algorithm is 1.38 times faster than traditional ones without sacrificing classification accuracy. The increased classification speed is expected to provide a more pleasant service to users and, if used in embedded systems, is anticipated to reduce power consumption and extend battery life.

한국어

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.