관찰된 이주 의도와 잠재적 이주 의도

전체 크기 이미지

훈련 결과는 전반적으로 만족스럽습니다. 모든 경우에서 훈련 예측값이 관측된 추세와 잘 일치하며, 편차 비율이 모두 0보다 커서 ENet 모델이 이주 의도를 예측하는 데 있어 널 모델보다 우수함을 시사합니다. 그러나 테스트 결과에서 한국, 이집트, 튀니지, 우크라이나, 니카라과, 세네갈 등 6개국은 음의 편차 비율을 나타냈는데, 이는 훈련 데이터셋 내에서 목표 변수의 산술 평균을 사용하는 것이 ENet보다 이주 의도를 더 잘 예측할 수 있음을 의미합니다.

일반적으로 모델의 성능이 훈련보다 테스트에서 훨씬 저조할 경우, 모델이 훈련 데이터에 과적합되었을 가능성이 있습니다. 그러나 본 연구에서는 최적의 ENet 모델을 선정할 때, 간결한 모델을 선호하는 페널티 편차 비율을 적용했기 때문에 이러한 가능성은 낮습니다. 따라서 그림  6 에서 보이는 음의 테스트 편차 비율은 행동 변화에 기인할 가능성이 높습니다. 예를 들어, 모델이 마이그레이션 의도가 특정 검색 주제 및/또는 구글 검색 채택률과 상관관계가 있다는 것을 학습했다면, 이러한 학습된 상관관계를 기반으로 미래를 예측할 것입니다. 하지만 사용자의 검색 행동이나 구글 검색 사용자의 선택이 변화하면, 학습된 상관관계는 더 이상 유효하지 않을 수 있습니다. 이는 큰 테스트 오류로 이어질 수 있습니다.