앙상블 머신러닝 모형에 의한 부산 전략산업의 소득에 대한 예측 연구
The Prediction Power of Busan’s Strategic Industry on the Income through Ensemble Machine Learning Model
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 최근 새로운 기법인 앙상블 러닝 분석 모형을 도입하여 부산의 전략산업들의 소득에 대한 경제 예측력에 대한 비교 연구를 하였다. 부산의 전략산업의 소득에 대한 추정결과, 보팅 앙상블 모형이 단일 모형인 서포트 벡터 머신 혹은 인공신경망 회귀모형 보다 예측력이 더 좋게 나타났다. 랜덤 포레스트 모형에 의한 전략산업의 소득에 대한 예측력을 볼 때, 훈련용 데이터와 시험용 데이터 모두 결정계수가 높게 나타나고 랜덤 포레스트 모형이 보팅 앙상블 모형의 예측 보다 좋게 나타났다. 그래디언트 부스팅 모형으로 소득에 대한 예측을 하면, 결정계수는 아주 높게 나오고 랜덤 포레스트 모형이나 보팅 앙상블 모형의 예측보다 더 좋은 것으로 나타났다.
Abstract
This study analyzes the ensemble machine learning models to forecast the income using the seven strategic industries of Busan. The voting ensemble method seems to have the better forecasting power than the single machine learning methods such as the support vector machine model or the artificial neural network model. Among the ensemble models, to forecast the income, the random forest model appeared to be the better model than the voting model with the higher coefficient of determination. However, the gradient boosting ensemble model shows the highest predictive power than the other ensemble models such as voting models and the random forest models to forecast Pusan’s income.
참고문헌 (20)
- 4차 산업혁명시대, 부산의 신성장동력산업전략, "김도관", 부산발전연구원, ~, pp.창의연구 2018-01-787 (2018)
- 박기영, "머신 러닝을 이용한 경제분석", 한국경제학보(구 연세경제연구), 26(2), pp.367~408 (2019), 경제연구소
- 이재득, "머신러닝과 딥러닝 기법을 이용한 부산 전략산업과 수출에 의한 고용과 소득 예측", 무역학회지, 46(1), pp.169~187 (2021), 한국무역학회[DOI]
- 이재득, "투자와 수출 및 환율의 고용에 대한 의사결정 나무, 랜덤 포레스트와 그래디언트 부스팅 머신러닝 모형 예측", 무역학회지, 46(2), pp.281~299 (2021), 한국무역학회[DOI]
- 이재득, "릿지 회귀와 라쏘 회귀 모형에 의한 부산 전략산업의 지역경제 효과에 대한 머신러닝 예측", 한국항만경제학회지, 37(1), pp.197~215 (2021), 한국항만경제학회
- Acemoglu, D., "Robots and Jobs: Evidence from US Labor Markets", Journal of Political Economy, 128(3), pp.2188~2244 (2019)
- Agrawal, A, "Prediction Machines: The Simple Economics of Artificial Intelligence" (2018), Harvard Business Review Press
- Athey, S., "Beyond Prediction: Using Big Data for Policy Problems", Science, 355(6324), pp.483~485 (2017)
- Athey, S., "The Economics of Artificial Intelligence: An Agenda", pp.507~547 (2019), University of Chicago Press
- Athey, S., "Machine Learning Methods Economists Should Know About", Annual Review of Economics, 11, pp.685~725 (2019)
- Athey, S., "Estimation and Inference of Heterogeneous Treatment Effects Using Random Forests", Journal of the American Satistical Association, 113(523), pp.1228~1242 (2018)
- Athey, S., "Generalized Random Forests", The Annals of Statistics, 47(2), pp.1148~1178 (2019)
- Breiman, L., "Random Forest", Machine Learning, 45(1), pp.5~32 (2001)
- Chalfin, A., "Productivity and Selection of Human Capital with Machine Learning", American Economic Review, 106(5), pp.124~127 (2016)
- Hastie, T, "The Elements of Statistical Learning" (2017), Springer
- Jean, N., "Combining Satellite Imagery and Machine Learning to Predict Poverty", Science, 353(6301), pp.790~794 (2016)
- Macroeconomic and Financial Market Analyses and Predictions through Deep Learning, "Kim, S.", Bank of Korea, ~, pp.BOK Working Paper, No. 2020-18 (2020)
- Kreif, N, "Oxford Research Encyclopedia of Economics and Finance" (2019), Oxford University Press
- Mullainathan, S., "Machine Learning: An Applied Econometric Approach", Journal of Economic Perspectives, 31(2), pp.87~106 (2017)
- Varian, H. R., "Big Data: New Tricks for Econometrics", Journal of Economic Perspectives, 28(2), pp.3~28 (2014)