earticle

영어

The purpose of this study is to predict personal income using demographic data and compare the performance of machine learning techniques. Income prediction has practical applications in loan approval, marketing, and credit evaluation, as well as addressing income inequality in policymaking. Using 30,000 samples from the 2001 U.S. demographic dataset, five methods—linear regression, decision tree, random forest, neural networks, and gradient boosting—were evaluated. Neural networks showed the highest accuracy, confirmed through Wilcoxon analysis. This study provides valuable insights for adopting accurate income prediction models.

한국어

본 연구는 인구통계 데이터를 활용해 개인 소득을 예측하고, 다양한 머신러닝 및 인공지능 기법의 성능을 비교하였 다. 개인 소득 예측은 금융기관의 대출 심사, 타겟 마케팅, 신용 평가와 같은 실무적 활용뿐만 아니라, 소득 불균형 해소와 세 제 설계 등 정책 수립 과정에서도 중요한 역할을 한다. 본 연구는 2001년 미국 인구통계 데이터에서 30,000개의 샘플을 추출 해 분석에 활용하였다. 소득 예측에 적용된 기법으로는 선형 회귀분석, 의사결정 나무, 랜덤 포리스트, 인공신경망, 그레디언 트 부스팅 등 5가지를 사용했으며, 각 기법의 성능은 10-fold 교차 검증을 통해 평가했다. 분석 결과, 인공신경망이 다른 기 법에 비해 가장 높은 예측 정확도를 보였으며, Wilcoxon 검정을 통해 통계적으로도 우수함을 확인했다. 본 연구는 소득 예측 문제에 다양한 기법을 적용하여 비교했다는 점에서 학문적으로 의미가 있으며, 금융기관과 정책 입안자들이 보다 정확하고 신뢰할 수 있는 소득 예측 모델을 활용하는 데 기여할 수 있다.