머신러닝과 화학적 분석 데이터를 활용한 한국과 중국 전통 백자 생산국가 판별 연구

다국어 초록 (Multilingual Abstract)

The objective of this study is to investigate the applicability of machine learning techniques to the discrimination of pottery production origin. Data on the chemical composition of the body of traditional white porcelain from Korea and China, which have over a thousand years of pottery production history, obtained by ICP analysis, were collected and various machine learning algorithms were applied. Out of the 732 collected data samples, 118 Korean and 28 Chinese samples, which represent 20% of each class, were selected as test samples. The country of production was predicted by the developed model. The accuracy of principal component analysis-linear discriminant analysis was 87.7%, decision tree was 96.6%, K-nearest neighbor was 98.6%, and support vector machine was 99.3%. Rubidium was confirmed to be the most significant factor in discriminating origin by mean decrease in impurity and shapley additive explanations value analysis. These findings were consistent in experiments where the number of Korean and Chinese samples in the training and test data were matched. These results demonstrate the effectiveness of machine learning techniques in identifying the country of origin of Korean and Chinese white porcelain. Machine learning techniques are expected to be more effective in determining the origin of pottery through the interpretation of chemical analysis results in the future.

국문 초록 (Abstract)

본 연구의 목적은 도토기 생산지 판별에 머신러닝 기법의 적용 가능성을 확인하는 것이다. 천년이 넘는 도자기 생산 역사를 가진 한국과 중국의 전통 백자를 대상으로 하여, ICP 분석법을 통해 획득한 태토의 화학성분 분석 데이터를 수집하고 다양한 머신러닝 알고리즘을 적용하였다. 수집한 732개 데이터 중 클래스별 20%에 해당하는 한국산 118개 및 중국산 28개를 테스트 시료로 선정, 개발된 모델을 통한 생산국가를 판별하였다. 그 결과 principal component analysis-linear discriminant analysis 87.7%, decision tree 96.6%, K-nearest neighbor 98.6%, 그리고 support vector machine 99.3%의 비교적 높은 예측 정확도를 얻을 수 있었다. 아울러 MDI와 SHAP value 분석을 통해, rubidium이 가장 중요한 생산지 판별 요소로 사용되었음을 확인하였다. 훈련 및 테스트 데이터의 한국과 중국 시료 수를 일치시킨 실험에서도 유사한 경향을 확인하였으며, 이러한 결과는 머신러닝 기법이 한국과 중국의 백자 생산국가 판별에 효과적임을 보여주었다. 향후 도토기 기원 규명에 있어, 화학적 분석 결과의 해석에 머신러닝 기법을 적용하면 더 효과적인 판별이 가능할 것으로 기대된다.

목차 (Table of Contents)

• Ⅰ. 서론 1
• Ⅱ. 이론적 배경 3
• 1. 백자의 역사 3
• 2. 백자의 과학적 분석 6
• 1) 백자의 재료학적 특징 6
• 2) 백자의 과학적 산지 판별 7
• 3. 머신러닝 8
• 1) PCA-LDA 10
• 2) DT 11
• 3) KNN 13
• 4) SVM 15
• 5) 특성 중요도 18
• 4. 선행 연구 22
• Ⅲ. 대상 및 방법 24
• 1. 실험대상 24
• 2. 실험방법 27
• Ⅳ. 실험 결과 31
• 1. PCA-LDA 모델 결과 31
• 2. DT 모델 결과 34
• 3. KNN 모델 결과 37
• 4. SVM 모델 결과 38
• 5. 특성 중요도 분석 결과 39
• 6. 클래스 균형화 실험 결과 41
• Ⅴ. 결론 46
• 참고문헌 48
• 국문초록 52
• Abstract 53