Add to ORKGMaster실제 취급되는 데이터셋은 일반적으로 독립 변수와 종속 변수 사이의 관계가 서로 이질적인 부분 데이터셋으로 구성되어 있다. 서로 이질적인 부분 데이터셋이 하나로 통합되는 경우, 각 부분 데이터셋의 특징이 전혀 드러나지 않거나 오히려 실제 경향성에 반대되는 경향성을 나타내기도 한다. 따라서 부분 데이터셋 간의 이질성이 존재하는 경우 복잡도가 높은 예측 모델이 필요하지만, 이러한 예측 모델은 학습의 결과를 해석하기 어렵다는 단점이 있다. 반면 모델 트리는 이질적인 데이터셋을 부분 데이터셋으로 나누고, 각 부분 데이터셋에 대한 해석 가능한 예측 모델을 제공한다. 이러한 이점으로 인해 많은 모델 트리 방법론이 개발되었지만, 기존 모델 트리 방법론의 대부분은 학습하는 과정에서 두 가지 문제가 발생한다. 첫 번째 문제는 모델 트리가 하나의 데이터셋을 부분 데이터셋으로 나누기 때문에, 특정 부분 데이터셋의 데이터 개수가 부족해질 수 있다는 것이다. 학습 데이터의 개수가 부족할 경우, 예측 모델의 과적합이 발생하여 모델의 성능을 저하시킬 수 있다. 두 번째 문제는 모델 트리는 각 부분 데이터셋에 대해 예측 모델을 독립적으로 학습시키기 때문에, 서로 다른 노드에서 공유되는 전역 효과를 반영하지 못할 수 있다는 것이다. 본 연구는 멀티태스크 학습 기법을 사용하여 말단 노드의 선형 회귀 모델을 학습하는 회귀 모델 트리 알고리즘을 제안한다. 멀티태스크 학습 기법은 여러 개의 태스크 사이에 공유되는 정보를 활용하여 관련되어 있는 ...