토양 비옥도 예측을 위한 J48 알고리즘 성능 최적화

초록

본 논문은 농업용 토양 데이터셋에 J48 결정트리 모델을 적용하여 토양 비옥도 등급을 예측하고, 속성 선택과 부스팅 메타기법을 활용한 성능 튜닝 과정을 제시한다. 실험 결과, 튜닝 전후의 정확도 향상과 모델 복잡도 감소를 확인하였다.

상세 분석

본 연구는 토양 비옥도라는 다중 클래스 문제에 대해 C4.5 기반의 J48 알고리즘을 선택한 이유를 먼저 설명한다. J48은 해석 가능성이 높고, 연속형 및 범주형 변수를 동시에 처리할 수 있어 농업 데이터에 적합하다. 그러나 원본 데이터는 토양 물리·화학 특성( pH, 유기물 함량, 인·칼륨 농도 등)과 같은 다중 속성을 포함하고 있어 차원 저주와 과적합 위험이 존재한다. 이를 해결하기 위해 두 가지 메타기법을 적용하였다. 첫째, 속성 선택 단계에서는 정보 이득 비율과 상관관계 기반 필터 방법을 결합해 불필요하거나 중복된 변수를 제거하였다. 선택된 핵심 속성은 토양 산도(pH), 유기물 함량, 인산 함량, 전기전도도 등으로, 이는 토양 비옥도에 직접적인 영향을 미치는 요인으로 알려져 있다. 둘째, 부스팅 단계에서는 AdaBoost.M1을 J48에 적용해 약한 학습기들을 순차적으로 강화하였다. 부스팅은 샘플 가중치를 조정함으로써 어려운 사례에 대한 학습을 집중시키고, 전체 모델의 일반화 능력을 높인다. 실험에서는 원본 데이터(총 1,200건)와 10‑fold 교차 검증을 사용했으며, 성능 지표로 정확도, 정밀도, 재현율, F1‑score를 보고하였다. 속성 선택 후 J48의 평균 정확도는 78.4%에서 84.7%로 상승했고, 부스팅을 추가한 후에는 89.2%까지 도달하였다. 또한 트리 깊이가 평균 12층에서 8층으로 감소해 모델 해석이 용이해졌다. 이러한 결과는 토양 비옥도 예측에서 변수 선택과 앙상블 기법이 개별 결정트리보다 현저히 우수함을 시사한다. 논문은 또한 비교 대상으로 RandomForest와 SVM을 제시했으며, 튜닝된 J48이 계산 비용 면에서 경쟁력을 유지하면서도 정확도 면에서 동등하거나 우수함을 입증하였다. 마지막으로, 연구의 한계로는 데이터가 특정 지역에 국한되어 있어 일반화 가능성을 추가적인 다지역 데이터로 검증할 필요가 있음을 언급한다.