머신러닝 기법을 활용한 수입 수산물 통관검사결과 분류 모델 = A Classification Model for Customs Clearance Inspection Results of Imported Aquatic Products Using Machine Learning Techniques

국문 초록 (Abstract)

수산물은 많은 국가의 주요한 단백질 공급원이며 소비가 증가하고 있다. 우리나라도 수산물 소비는 증가하는 반면 자급률은 낮아지고 있으며, 수산물의 수입량이 증가함에 따라 안전관리의 중요성이 높아지고 있다.
국내로 수입되는 수산물은 110여 개 국가로부터 수백 종에 이르며, 수입 수산물의 안전관리를 검사관의 경험에만 의존하는 것은 한계가 있다. 데이터를 기반으로 수입 수산물 통관검사 결과를 예측할 수 있는 모델을 개발하여 수입신고서가 제출되었을 때 수산물의 부적합 가능성을 판단하는 머신러닝 분류 모델을 생성한다.
수입수산물 통관검사 결과 부적합율은 1% 미만으로 매우 낮은 불균형 데이터이므로 이러한 특성을 보완할수 있는 샘플링 방법을 비교 연구하였고, 분류결과를 해석할 수 있는 전처리 방법을 적용하였다. 여러 가지 머신러닝 기반의 분류모델 중에서 랜덤포레스트와 XGBoost가 좋은 성능을 보였다. 통관검사 결과 적합과 부적합을 모두 잘 예측하는 모델은 ADASYN과 원-핫 인코딩을 적용한 랜덤포레스트 기본 모델이며 정확도 99.88%, 정밀도 99.87%, 재현율 99.89%, AUC 99.88%이다. XGBoost는 오버샘플링과 인코딩종류에 상관없이 모든 지표가 90%를 넘겨 가장 안정적인 모델이다.

참고문헌 (Reference)

1 "식약처 수입식품정보마루"

2 조상구 ; 최경현, "수입식품 빅데이터를 이용한 부적합식품 탐지 시스템에 관한 연구" 사)한국빅데이터학회 3 (3): 19-33, 2018

3 "e-나라지표 수산물 소비량(연간 1인당)과 자급률"

4 A Hassoun, "Quality evaluation of fish and other seafood by traditional and nondestructive instrumental methods: Advantages and limitations" 57 (57): 1976-1998, 2017

5 Vandermeersch, G., "Environmental contaminants of emerging concern in seafood–European database on contaminant levels" 143 : 29-45, 2015

6 Rokach, L., "Ensemble-based classifiers" 33 (33): 1-39, 2010

7 Sagi, O., "Ensemble learning:A survey" 8 (8): e1249-, 2018

8 Breiman, L., "Bagging predictors" 24 (24): 123-140, 1996

9 Kumar, V., "ANN-Based Integrated Risk Ranking Approach: A Case Study of Contaminants of Emerging Concern of Fish and Seafood in Europe" 18 (18): 1598-, 2021

10 Gómez-Ríos, A., "A study on the noise label influence in boosting algorithms: AdaBoost, GBM and XGBoost" 268-280, 2017