| 초록 |
초매개변수는 머신러닝에서 학습 과정 자체를 제어하는 변수를 뜻하며, 초매개변수의 조정에 따라 모델의 성능이 크게 달라진다. 본 연구에서는 girdsearch로 random forest의 초매개변수를 최적화하여 우수한 성능의 폴리프로필렌 복합수지 물성 예측 모델을 개발하였다. 검증 데이터세트로 score를 계산하여 초매개변수를 최적화 하였고, 테스트 데이터세트로 R2을 계산하여 물성 예측 성능을 평가하였다. 머신러닝 기법은 RF를 이용하였으며, 다수의 decision tree(DT)로 구성된 RF의 초매개변수 중 DT의 개수, DT의 깊이, 그리고 노드에 존재하는 최소 데이터 개수에 대해 최적화를 진행하였다. 초매개변수 최적화 기법 중 하나인 gridsearch로 계산된 score를 비교한 결과, flexural strength, tensile strength 예측 모델에 대하여 DT의 개수, DT의 깊이 그리고 노드에 존재하는 최소 데이터 개수가 각각 55, 15, 1 그리고 20, 55, 1인 조합에서 가장 높은 score를 가졌다. 최적화 결과를 이용하여 개발한 FS와 TS 예측 모델의 R2은 0.9147, 0.9458로 우수한 예측 성능을 보였다. |
