연구동향 분석

랜덤 포레스트

유진은(Yoo, Jin Eun) 2015년

논문상세정보
인용/피인용
' 랜덤 포레스트' 의 주제별 논문영향력
논문영향력 선정 방법
논문영향력 요약
주제
  • 교육학
  • big data
  • data mining
  • decision tree
  • kyps(koreayouthpanelsurvey)paneldata
  • random forests
  • 데이터마이닝
  • 랜덤 포레스트
  • 빅데이터
  • 의사결정나무
  • 한국청소년패널 조사
동일주제 총논문수 논문피인용 총횟수 주제별 논문영향력의 평균
18,946 0

0.0%

' 랜덤 포레스트' 의 참고문헌

  • 한국대학생의 진로결정수준에 영향을 미치는가족변인과 개인변인에 관한 연구
    박수길 한국심리학회지: 상담 및 심리치료 14 (1) : 141 ~ 160 [2002]
  • 학습장애 진단의 대안적 통합모형에 대한 의사결정나무 기법의 활용 가능성 탐색
    홍성두 특수교육학연구 43 (3) : 211 ~ 231 [2008]
  • 청년기의 개인 특성, 성 역할 정체감, 진로결정수준 및 진로준비행동과의 관계
    안권순 한국청소년연구 13 (2) : 73 ~ 102 [2002]
  • 진로미결정 및 관련변인에 관한 국내연구 메타분석
    정애경 상담학연구 9 (2) : 551 ~ 564 [2008]
  • 일반계 고등학생의 진로결정 및 진로정보인지수준 영향요인
    황여정 교육사회학연구 17 (1) : 131 ~ 158 [2007]
  • 우리나라 고등학생의 진로결정수준과 결정 동기에 관한 연구: 개인, 가정, 학교의 역할
    신희경 고용직업능력개발연구 8 (2) : 47 ~ 84 [2005]
  • 로지스틱 회귀분석과 데이터마이닝 분석을 이용한 컴퓨터 교양교육 성과의 요인에 대한 연구
    김완섭 교양교육연구 6 (3) : 743 ~ 767 [2012]
  • 데이터마이닝을 이용한 학업성취 결정요인 탐색
    이혜주 아동교육 22 (2) : 5 ~ 18 [2013]
  • 데이터마이닝을 이용한 초등학생의 학업스트레스에 대한 예측 모형 탐색
    이혜주 아동교육 21 (1) : 195 ~ 210 [2012]
  • 데이터마이닝을 이용한 초등학교 고학년의 교사애착에 대한 예측변인에서의 남녀 차이
    이혜주 한국교원교육연구 29 (1) : 419 ~ 440 [2012]
  • 데이터마이닝 기법을 이용한 스트레스 결정요인의 연차별 추이 분석
    이혜주 아동교육 23 (3) : 63 ~ 79 [2014]
  • 데이터 마이닝 기법을 이용한특성화고등학교 교육성과 분석
    김진 컴퓨터교육학회 논문지 17 (6) : 21 ~ 33 [2014]
  • 대학 컴퓨터 실습 교양과목에서의 학업성취 요인에 대한 연구
    김완섭 정보교육학회논문지 17 (4) : 433 ~ 447 [2013]
  • 교사판단 기반 학습장애 위험군의 핵심요인 탐색과 모형평가 : 의사결정나무분석을 중심으로
    김동일 열린교육연구 16 (3) : 19 ~ 35 [2008]
  • 고등학생의 진로결정 수준 비교 연구
    오헌석 직업교육연구 29 (2) : 245 ~ 265 [2010]
  • Using methods from the data-mining and machine-learning literature for disease classification and prediction : A case study examining classification of heart failure subtypes
    Austin, P. C. Journal of Clinical Epidemiology 66 : 398 ~ 407 [2013]
  • Using ensemble-based methods for directly estimating causal effects : An investigation of tree-based G-computation
    Austin, P. C. Multivariate Behavioral Research 47 : 115 ~ 135 [2012]
  • Tumor classification by tissue microarray profiling : Random forest clustering applied to renal cell carcinoma
    Shi, T. Modern Pathology 18 : 547 ~ 557 [2005]
  • The elements of statistical learning: data mining, inference, and prediction
    Hastie, T. Springer [2001]
  • Statistical difficulties in determining the role of race in capital cases : A re-analysis of data from the state of Maryland
    Berk, R. Journal of Quantitative Criminology 21 : 365 ~ 390 [2005]
  • Short-term prediction of mortality in patients with systemic lupus erythematosus : Classification of outcomes using random forests
    Ward, M. S. Arthritis and Rheumatism 55 : 74 ~ 80 [2006]
  • R을 이용한 데이터마이닝(개정판)
    박창이 교우사 [2013]
  • Random forests for microarrys
    Cutler, A. Methods in Enzymology 411 : 422 ~ 432 [2006]
  • Random forests for classification in ecology
    Cutler, D. R. Ecology 88 : 2783 ~ 2792 [2007]
  • Random forests
  • Random forest with highly imbalanced data
  • Navigating random forests and related advances in algorithmic modeling
    Siroky, D. S. Statistics Surveys 3 : 147 ~ 163 [2009]
  • Forecasting stock index movement: A comparison of support vector machines and random forest
    Kumar, M. Indian Institute of Capital Markets 9th Capital Markets Conference Paper [2006]
  • Classification and regression trees
    Breiman, L Wadsworth [1984]
  • Bagging predictors
    Breiman, L Machine Learning 26 : 123 ~ 140 [1996]
  • An introduction to recursive partitioning : Rationale, application, and characteristics of classification and regression trees, bagging, and random forests
    Strobl, C. Psychological Methods 14 : 323 ~ 348 [2009]
  • An introduction to ensemble methods for data analysis
    Berk, R. A. Sociological Methods and Research 34 : 263 ~ 295 [2006]