Animal Behavior
Predicting Animal Behaviours: Physical and Behavioural Classification Of Dog Walking Levels
Predicting Animal Behaviours: Physical and Behavioural Classification Of Dog Walking Levels
- 저자: Guris Özen; Baris Karan; Tuna Çakar
- 출처: - (2022)
- DOI/링크: https://doi.org/10.1109/SIU55565.2022.9864674
- 연구 계열: Topics/Animal Behavior
- 게재일: 2022-05-15
TL;DR
개의 신체·행동 정보를 이용해 산책 난이도를 예측하는 분류 모델과 DogPower 점수를 개발했다. Voting 모델의 검증 맞춤 지표는 0.817이었고, DogPower는 12개 변수를 합산하는 복합형이 가장 적합했다.
1. 연구 배경 및 동기
- 다루는 문제: 규칙적인 운동은 개의 신체·행동 발달에 중요한 활동이다. 개의 산책 난이도에 맞는 산책 담당자 배정은 원활한 산책과 문제 예방을 위한 과제이다.
- 기존의 공백 / 왜 필요한가: 기존 행동 평가는 인력·시간·도구가 필요했고, 산책 중 당기는 힘을 다룬 연구는 신체적 특성에 초점을 맞췄다. 기존 정보에 행동 특성을 함께 반영하는 산책 난이도 예측 방법이 필요했다.
2. 관련 연구
- 기존 연구 흐름: SAFER 등 행동 평가 도구는 상황별 반응을 바탕으로 입양 적합성이나 공격성을 예측하는 데 사용됐다. 목줄 장력 연구는 개의 나이·체중과 산책 중 당기는 힘의 관계를 조사했다.
- 이 논문의 위치: 실제 서비스의 보호자 응답과 산책 담당자의 난이도 평가를 결합한 연구이다. 어려운 개를 쉬운 개로 잘못 분류하는 문제를 고려한 맞춤 평가 지표와 신체·행동 정보를 통합한 DogPower를 제안했다.
3. 핵심 기여
- 실제 개 정보를 이용한 3단계 산책 난이도 분류 모델을 개발했다.
- 어려운 개의 재현율과 보통·쉬운 개의 구분을 반영한 맞춤 평가 지표를 구성했다.
- 단순형·복합형과 합산·곱셈을 조합한 DogPower 4종을 비교했다.
4. 제안 방법론
- 전체 접근 논리: 보호자 응답과 품종 정보를 정제하고 실제 산책 난이도 평가를 이용해 지도학습 모델을 개발했다. 별도로 신체·행동 변수를 공식화한 DogPower 4종을 산책 경험자의 평가와 비교했다.
- 단계:
- 초기 약 10,000마리·68개 변수에 AKC 277개 품종 정보를 추가하고, 무효 기록 제거·체중 이상값의 품종 평균 대체·파생변수 생성·범주형 변수 수치화를 수행했다.
- 상관계수 > 0.6인 변수 쌍을 검토해 제거하고, DecisionTree·RandomForest 기반 변수 선택과 PCA·ISOMAP 차원 축소를 수행했다.
- 8,446마리 중 392마리·61개 변수로 분류 모델을 개발하고, 클래스 가중치 조정·층화 분할·과표집·GridSearch 교차검증을 적용했다.
- 3개 변수의 단순형과 12개 변수의 복합형을 각각 합산·곱셈으로 구성하고, 0~10으로 조정한 DogPower를 분포와 실제 산책 난이도 순위로 평가했다.
5. 실험 설정
| 항목 | 내용 |
|---|---|
| 대상/재료 | 보호자가 산책·돌봄 습관을 응답한 개 8,446마리. 지도학습에는 난이도 표지가 있는 392마리와 61개 변수를 사용했다. 품종 정보는 AKC 277개 품종 자료에서 확보했다. |
| 처리 조건 | 산책 난이도는 1=쉬움, 2=보통, 3=어려움으로 분류했다. 과표집은 SMOTE, Random Over Sampler, ADASYN, Borderline SMOTE, SVM-SMOTE를 시험했다. 단순 DogPower는 체중·당기는 정도·목줄 유형을, 복합형은 총 12개 변수를 사용했다. 목줄 유형 계수는 목걸이형 0.43, 가슴줄형 0.54이다. |
| 대조군 | 분류 알고리즘 간 성능과 DogPower 4종을 비교했다. DogPower 평가에는 해당 개와 직접 산책한 경험이 있는 평가 집단을 활용했다. |
| 측정 방법 | 학습·검증 정확도 차이, 어려운 개의 재현율과 보통·쉬운 개 구분을 조화평균으로 결합한 맞춤 지표, 변수 중요도, DogPower의 정규성·분포·난이도 순위 적합성을 평가했다. |
6. 실험 결과 분석
| 지표 | 변화(Δ) | 조건 · 유의성 |
|---|---|---|
| Voting 맞춤 지표 | 0.817 vs 0.818 | 검증 vs 학습 |
| LightGBM 맞춤 지표 | 0.816 vs 0.824 | 검증 vs 학습 |
| Random Forest 맞춤 지표 | 0.8 vs 0.816 | 검증 vs 학습 |
| CatBoost 맞춤 지표 | 0.774 vs 0.784 | 검증 vs 학습 |
| XGBoost 맞춤 지표 | 0.774 vs 0.787 | 검증 vs 학습 |
| Gradient Boosting 맞춤 지표 | 0.77 vs 0.848 | 검증 vs 학습 |
| 학습·평가 정확도 최대 차이 | 0.27 → 0.04 | 과적합 완화 전 vs 후 |
| DogPower 난이도 순위 적합성 | 합산 복합형이 가장 적합 | 산책 경험자 평가, 4종 비교 |
| 합산 복합형 DogPower 분포 | Toy group에서 낮고 Sporting·Working에서 높음 | 품종 그룹 간 비교 |
7. 비판적 평가
강점
- 실제 서비스 자료와 직접 산책한 사람의 난이도 평가를 활용했다.
- 현장에서 문제가 되는 난이도 과소평가를 맞춤 지표에 반영했다.
- 신체 정보와 행동 정보를 함께 사용하고 변수 중요도를 분석했다.
한계 · 의문
- 지도학습에 사용한 난이도 표지 표본은 전체 8,446마리 중 392마리였다.
- 산책·돌봄 습관은 보호자 응답 자료이며, 품종별 체중 이상값은 품종 평균으로 대체했다.
- DogPower 비교의 정량적 성능과 평가 집단 규모는 제시하지 않았다.
8. 향후 연구 방향
- 순서형 분류 등 모델 구조 변경과 표지 표본 확대를 통해 성능을 개선한다.
- 회귀분석으로 영향 요인을 자세히 분석하고 모델의 일반화를 추진한다.
- 신체·행동 정보를 추가해 DogPower의 정확도와 산책 경험의 개별화를 개선한다.
9. 결론
맞춤 지표 기준으로 Voting 모델이 가장 높은 검증 성능을 기록했다. 실제 산책 경험에 따른 비교에서는 합산 복합형 DogPower가 난이도 순위와 현장 적용에 가장 적합했다.
Keywords
dog walking difficulty, animal behavior prediction, multi-class classification, ensemble learning, DogPower, feature engineering, canine welfare, machine learning