도메인 지식을 통합하는 것은 기계 학습 모델의 관련성과 신뢰성을 향상시키는 데 필수적이라는 점이 점차 더 중요하게 인식되고 있다. 이러한 통합은 흔히 현실의 조건이나 이론적 통찰을 반영하는 특정 유형의 제약을 통해 구현된다. 회귀 트리(regression trees) 계열에서는 예측 변수와 반응 변수 사이의 단조성(monotonicity) 제약을 반영하기 위해 등조 회귀 트리(isotonic regression tree)가 사용된다. 그러나 등조 회귀 트리는 분할 변수와 절단점(cutpoint)을 동시에 선택하기 때문에 분할 선택 편향(split selection bias)에 취약할 수 있다. 본 연구는 먼저 등조 회귀 트리에서 분할 변수에 대한 선택 편향의 가능성을 탐색하고, 선택 편향 문제를 완화하는 비편향 등조 회귀 트리를 제안한다. 시뮬레이션과 사례 연구의 결과는 제안된 접근법의 효과성과, 숨겨진 이질적 단조 제약(hidden heterogeneous monotonic constraints)을 발견할 수 있음을 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.