MECE(미시라고 읽음, Mutually Exclusive Collectively Exhaustive), LISS(리스라고 읽음, Linearly Independent Spanning Set)란 중복없이 분류하는 사고방식을 뜻한다. 대표적인 예로, 트리 형태로 분류하는 로직트리가 있으며, 수많은 사례들이 존재한다. 예를 들어, 회사에 존재하는 분류 체계인 ~부, ~과 등도 MECE, LISS의 대표적인 사례이다. MECE는 중복없고 빠짐없이 분류했을 때를 뜻한다. 즉 모든 분류의 합이 전체가 되면 MECE로 분류를 한 것이고, 중복은 없지만 빠지는 것이 존재하면, LISS이다. 위에서 설명한 것처럼 MECE분류가 당연히 LISS 분류보다 좋다라고 말할 수 있지만, 현실적으로 상당히 힘든 분류이다. 어떠한..
로직트리란 우리가 잘 알고 있는 나무 형태의 분류를 뜻한다.Root(뿌리)부터 시작해서, 나무가 잎까지 분류가 되듯, 로직트리 역시, 나무 모양 형태로 완벽히 분류를 한다. 이러한 나무 형태의 분류는 IT 쪽에서 상당히 많이 활용이 되는데, 데이터마이닝(의사결정나무)에서도 활용이 되고, 데이터의 저장소에서 쉽게 데이터를 찾기 위해서도 활용이 된다. (B-Tree, B+Tree 등) MECE란, 데이터를 완벽히 분류한 형태를 뜻한다. 즉 교집합이 없이, A집합과 B집합의 합은 전체 집합이 나온다면, 이러한 분류를 MECE라고 한다. 로직 트리는 바로 MECE 방식으로 분류한 것이고, 경영 기법에서도 많이 활용이 된다. 1. MECE를 활용한 문제 해결 기법 가. 로직트리(Logic Tree)의 개념- 주어..
1. 의사결정나무란? 분류와 예측 모두에서 자주 쓰이는 강력한 기법이다. 일련의 단순한 의사결정 규칙들을 적용시켜 큰 레코드의 집합을 작은 레코드의 집단으로 나누는데 쓰이는 구조이다.대표적인 예로는 1730년대에 칼 린네가 개발한 생물들을 나눈 종속과목강문계가 좋은 예시이다. 2. 의사결정나무로 할 수 있는 것들분류 : 종속과문강문계와 같이, 특정한 규칙과 패턴등을 토대로 데이터를 분류하는 방법이다. 의사결정나무는 이해가 쉽고 명확하기 때문에 분류에 많이 쓰인다.점수화(스코어링) : 점수를 책정할 수 있다. 분류등을 수행 후, 해당 값에 맞는 값을 책정하여 스코어링이 가능하다.추정 : 연속형 값을 추정하는데 사용하는 것은 그다지 좋은 생각이 아니지만, 추정하는 것도 가능하다.- 좌측은 의사결정나무, 우측..
