P4-15.1 랜덤포레스트(random forest)¶

Section ID: P4-15.1 Version: v2026.07.20

P4-14에서는 결정트리(decision tree)가 왜 직관적이면서도 과적합(overfitting)에 쉽게 빠질 수 있는지 보았습니다. 특히 max_depth, min_samples_leaf, ccp_alpha를 바꾸어도 한 그루의 구조 흔들림이 완전히 사라지지 않을 수 있다는 점을 확인했습니다. 이제 다음 질문이 나옵니다.

그렇다면 트리의 장점은 살리고, 한 그루의 과한 흔들림은 줄일 방법이 없을까?

이 질문이 바로 랜덤포레스트(random forest)의 출발점입니다.

랜덤포레스트는 서로 조금씩 다르게 학습된 여러 결정트리의 예측을 모아, 한 그루 트리보다 더 안정적인 판단을 만들려는 모델이다.

즉, 랜덤포레스트는 트리를 버리는 모델이 아니라 트리를 여러 개 모아 약점을 줄이는 모델입니다.

이 절은 랜덤포레스트(random forest), 앙상블(ensemble), bootstrap, feature 무작위 선택의 기본 뜻을 설명합니다. 뒤 절에서는 이 손잡이를 바탕으로 현재 맥락의 판단을 이어 가고, 여러 트리의 합의로 흔들림을 줄이는 기본 감각은 이 절과 개념사전을 기준으로 다시 연결합니다.

랜덤포레스트(random forest)에서 닫을 질문¶

이 절은 다음 질문에 답합니다.

• 랜덤포레스트는 왜 여러 트리를 쓰는가?
• bootstrap, max_features, averaging은 어떤 역할을 하는가?
• 한 그루 트리보다 왜 더 안정적으로 보일 수 있는가?
• 분류와 회귀에서 랜덤포레스트는 어떻게 동작하는가?
• n_estimators, max_features, bootstrap, oob_score는 무엇을 뜻하는가?

이 절은 먼저 여러 트리를 모아 왜 한 그루보다 더 안정적인 판단을 만들려 하는가를 닫습니다. 특징 중요도는 P4-15.2에서, OOB(out-of-bag) 점수의 평가 해석은 P4-15.3에서, Extra Trees 비교는 P4-15.4 보충학습에서, 그래디언트 부스팅과의 대비는 P4-16.1, P4-16.2에서 이어집니다.

랜덤포레스트(random forest)에서 남길 판단 기준¶

• 랜덤포레스트를 여러 randomized tree의 평균/집계 모델로 설명할 수 있습니다.
• bootstrap 샘플링과 feature 무작위 선택이 왜 필요한지 말할 수 있습니다.
• 랜덤포레스트가 결정트리의 분산(variance)을 줄이려는 시도라는 점을 이해할 수 있습니다.
• 대표 하이퍼파라미터의 역할을 입문 수준에서 구분할 수 있습니다.

학습 배경¶

결정트리 장까지 오면 보통 두 감각을 동시에 갖게 됩니다.

• 좋았던 점: 읽기 쉽고 표 형식 데이터에 잘 맞아 보인다.
• 불안한 점: 트리가 깊어지면 너무 많이 외우는 것 같다.

랜덤포레스트는 바로 이 긴장 위에서 등장합니다.

즉, 랜덤포레스트는 결정트리의 단점을 부정하기보다, 여러 트리의 앙상블(ensemble) 구조로 그 단점을 완화하는 방식입니다.

여기에 한 가지를 더 붙이면 랜덤포레스트 절이 지금까지 정리한 비교 기록 구조와 직접 이어집니다. 랜덤포레스트를 후보로 올릴 때는 트리를 여러 개 쓴다는 설명만 남기는 것이 아니라, 단일 트리 대비 어떤 오류 사례가 덜 흔들리는가, 여전히 남는 애매한 사례는 무엇인가, 다음에 어떤 숲 설정을 더 볼 것인가를 함께 적어 둡니다. 같은 평균 점수처럼 보여도 어떤 모델이 특정 오류 유형을 더 자주 반복하는지, 어떤 모델이 시드를 바꿔도 더 안정적으로 유지되는지는 따로 읽어야 합니다.

트리 계열 안에서도 질문이 어떻게 달라지는지는 다음처럼 정리할 수 있습니다.

즉, 랜덤포레스트는 트리를 더 많이 쓴다보다 서로 다른 트리들의 흔들림을 모아 줄인다가 더 핵심입니다. 이 기준이 잡혀야 뒤의 그래디언트 부스팅도 단순한 다음 앙상블 이름이 아니라, 안정성 중심 앙상블과 오차 보정 중심 앙상블의 대비로 읽힙니다.

언제 랜덤포레스트를 먼저 후보로 올리면 좋은가¶

랜덤포레스트는 단일 트리의 해석 가능성을 조금 희생하더라도, 표 형식 데이터에서 더 안정적인 기본 후보를 빠르게 세우고 싶을 때 강합니다.

이 표의 핵심은 랜덤포레스트를 트리 많이 쓰기가 아니라 단일 트리의 흔들림을 줄이는 안정성 후보로 읽는 데 있습니다.

주요 학습내용¶

앙상블(ensemble)이라는 큰 틀¶

scikit-learn 사용자 가이드는 ensemble methods를 여러 base estimator의 예측을 결합해 단일 estimator보다 더 나은 generalizability / robustness를 얻으려는 방법으로 설명합니다.

랜덤포레스트는 이 앙상블(ensemble) 계열 안에서, 트리를 여러 개 쓰는 대표 사례입니다.

랜덤포레스트는 서로 조금 다른 여러 트리의 판단을 모아 더 안정적인 답을 만들려는 앙상블 방식입니다.

한 모델의 판단을 그대로 믿기보다, 서로 조금 다른 여러 모델의 판단을 모아 더 안정적인 답을 만들자.

이 큰 틀을 보면 랜덤포레스트가 왜 나왔는지 더 분명해집니다.

랜덤포레스트는 어떤 모델인가¶

scikit-learn 문서는 random forests를 decision tree 기반의 averaging algorithm으로 설명합니다. 각 트리는 훈련 세트에서 복원추출(with replacement)한 bootstrap sample로 학습되고, 각 split에서는 feature의 임의 부분집합만 후보로 봅니다.

핵심은 두 가지 무작위성입니다.

1. 샘플을 다르게 뽑는다.
2. 각 분기에서 feature를 다르게 본다.

그리고 마지막에 여러 트리의 예측을 모읍니다.

이 구조를 짧게 바꾸면 다음과 같습니다.

랜덤포레스트는 같은 데이터를 모든 트리에 똑같이 주지 않고, 각 트리가 조금씩 다른 데이터와 다른 feature 후보를 보게 만든 뒤, 마지막에 결과를 합친다.

한 장면으로 보기¶

flowchart TD
  A["학습 데이터"]
  B["트리 1<br/>부트스트랩 + 랜덤 특징"]
  C["트리 2<br/>부트스트랩 + 랜덤 특징"]
  D["트리 3<br/>부트스트랩 + 랜덤 특징"]
  E["예측 집계<br/>투표 또는 평균"]
  F["최종 예측"]

  A --> B
  A --> C
  A --> D
  B --> E
  C --> E
  D --> E
  E --> F

이 그림에서 중요한 점은 모든 트리가 완전히 같은 것을 보지 않는다는 것입니다. 그래야 서로 다른 실수를 만들 여지가 생기고, 그 실수를 평균내거나 투표로 묶을 수 있습니다.

왜 같은 트리를 여러 번 복사하는 것만으로는 부족한가¶

여기서 초심자가 자주 드는 질문이 있습니다.

결정트리를 100번 학습시키면 그냥 랜덤포레스트가 되는 것 아닐까?

핵심은 그 100개가 정말 서로 다른가입니다. 같은 데이터, 같은 feature 후보, 같은 규칙으로 거의 같은 트리를 여러 개 만들면 실수도 거의 같은 방향으로 반복될 수 있습니다. 이 경우에는 여러 개를 모았다기보다 같은 판단을 크게 반복했다에 가깝습니다.

랜덤포레스트가 필요한 이유는 트리 수만 늘리는 데 있지 않고, 트리들이 서로 다른 이유를 만들어 주는 데 있습니다.

즉, 랜덤포레스트의 핵심은 많은 트리보다 서로 덜 닮은 트리들의 집계입니다.

왜 여러 트리를 모으면 더 안정적일 수 있는가¶

결정트리는 high variance 모델로 자주 설명됩니다. scikit-learn 사용자 가이드도 개별 결정트리는 variance가 크고 overfit하기 쉽다고 설명합니다. 랜덤포레스트는 이 variance를 줄이기 위해 여러 diverse tree를 결합합니다.

독자용 직관은 다음과 같습니다.

• 한 트리는 특정 예외 사례에 과하게 끌릴 수 있습니다.
• 다른 트리는 bootstrap 샘플이 달라 그 예외를 덜 강하게 볼 수 있다.
• 또 다른 트리는 분기 feature 후보가 달라 전혀 다른 경로를 만들 수 있습니다.
• 여러 트리의 답을 모으면, 한 트리만의 과한 흔들림이 덜 드러날 수 있습니다.

즉, 랜덤포레스트는 보통 한 그루의 확신보다 여러 그루의 합의를 택합니다.

프로젝트 메모 형식으로 줄이면 다음처럼 적을 수 있습니다.

이 표가 있으면 랜덤포레스트 절이 비교 후보 -> 남는 오류 사례 -> 다음 질문 구조로 읽힙니다. 즉, 랜덤포레스트의 장점은 평균 숫자 하나보다 남는 실패 패턴이 덜 흔들리는가를 같이 볼 때 더 분명해집니다.

그래서 실무에서 랜덤포레스트를 고려하는 장면은 대체로 단일 트리는 너무 흔들리지만, 신경망까지 바로 갈 만큼 데이터 규모나 구조가 크지 않은 표 형식 문제입니다. 이때 중요한 기대값은 최고 한 번의 점수보다 덜 흔들리는 기본 후보를 빠르게 세우는 일입니다.

bootstrap은 무엇을 하는가¶

random forest의 첫 번째 무작위성은 bootstrap sampling입니다.

scikit-learn 문서는 각 트리가 훈련 세트에서 복원추출한 bootstrap sample로 만들어진다고 설명합니다. 복원추출이므로 어떤 샘플은 한 트리에 두 번 들어갈 수 있고, 어떤 샘플은 아예 빠질 수 있습니다.

이를 직관으로 읽으면 다음과 같습니다.

각 트리는 전체 데이터를 복사해 그대로 배우는 것이 아니라, 조금 다른 훈련 경험을 하게 된다.

아주 작은 예를 생각합니다.

원래 데이터가 A, B, C, D, E라면 한 bootstrap sample은 다음처럼 보일 수 있습니다.

• tree 1: A, B, B, D, E
• tree 2: A, C, D, D, E
• tree 3: B, C, C, D, E

같은 원본 데이터에서 출발했어도 각 트리의 시야가 조금씩 다릅니다.

이 장치를 한 문장으로 줄이면 다음과 같습니다.

bootstrap은 트리마다 다른 훈련 경험을 만들어, 같은 예외 사례를 모두가 똑같이 외우지 않게 하려는 장치다.

feature 무작위 선택은 무엇을 하는가¶

두 번째 무작위성은 feature sub-sampling입니다.

scikit-learn 문서는 각 split에서 candidate feature의 무작위 부분집합을 본다고 설명합니다. 이 역할을 하는 대표 하이퍼파라미터가 max_features입니다.

왜 이게 필요할까요?

만약 강한 feature 하나가 항상 모든 트리의 첫 분기를 장악한다면, 트리들이 너무 비슷해질 수 있습니다. 그러면 여러 개를 모아도 diversity가 부족합니다.

따라서 feature 후보를 일부만 보게 하면:

• 어떤 트리는 feature A를 중심으로 분기하고
• 어떤 트리는 feature B를 먼저 보고
• 어떤 트리는 다른 우회 경로를 만들 수 있습니다

즉, max_features는 단순 속도 옵션이 아니라 트리들을 서로 덜 닮게 만드는 장치로 읽는 것이 더 중요합니다.

bootstrap과 max_features를 함께 놓고 보면 역할 차이가 더 잘 보입니다.

이 표를 기준으로 읽으면 랜덤포레스트는 무작위로 섞는다는 막연한 느낌이 아니라, 샘플 다양성, 분기 다양성, 최종 집계를 각각 따로 설계한 구조로 보입니다.

분류와 회귀에서 어떻게 합치는가¶

랜덤포레스트는 분류와 회귀에 모두 쓰일 수 있습니다. 달라지는 것은 여러 트리의 답을 합치는 방법입니다.

scikit-learn 문서는 분류 random forest에서 트리들의 확률 예측을 평균해 결합한다고 설명합니다. majority vote라는 설명도 큰 흐름에서는 통하지만, scikit-learn 구현 기준으로는 확률 평균 쪽이 더 정확합니다.

랜덤포레스트를 흐름으로 읽기¶

flowchart TB
  A["트리 하나<br/>과민하게 반응할 수 있음"]
  B["여러 트리<br/>서로 다른 샘플을 봄"]
  C["여러 트리<br/>서로 다른 특징 부분집합을 봄"]
  D["출력을 집계"]
  E["더 안정적인 예측"]

  A --> B
  B --> C
  C --> D
  D --> E

핵심은 더 많은 트리 자체가 아니라 서로 다른 오류를 만들 수 있는 트리들이라는 점입니다.

세부 학습내용¶

대표 하이퍼파라미터를 어떻게 읽으면 좋은가¶

API 문서 기준으로 랜덤포레스트에서 먼저 알아야 할 손잡이는 다음 정도입니다.

이 중에서 15.1 수준에서 가장 중요한 것은 세 가지입니다.

• n_estimators: 숲의 크기
• max_features: 트리 다양성의 정도
• bootstrap: 각 트리의 학습 경험을 다르게 만드는가

이 세 손잡이는 이름만 외우기보다, 값을 바꿨을 때 무엇이 달라질지를 같이 읽어야 합니다.

실무적으로는 다음처럼 읽으면 됩니다.

• 점수는 괜찮지만 시드마다 흔들리면 n_estimators와 max_features를 먼저 봅니다.
• 트리들이 모두 비슷해 보이면 max_features가 너무 큰지 의심합니다.
• 각 트리가 지나치게 예외를 외우는 것 같으면 max_depth, min_samples_leaf도 함께 봅니다.

OOB(out-of-bag)는 무엇인가¶

bootstrap sampling을 하면 어떤 샘플은 특정 트리의 학습에 들어가지 않습니다. scikit-learn 문서는 이런 빠진 샘플을 이용해 OOB(out-of-bag) 방식의 일반화 오차 추정을 할 수 있다고 설명합니다.

OOB는 각 트리가 보지 못한 샘플을 활용해, 별도 검증 감각을 일부 얻는 방식으로 이해할 수 있습니다.

다만 OOB를 아무 검증 절차나 대체하는 만능 장치로 이해하면 안 됩니다. 이 절에서는 이름과 역할만 잡고 넘어갑니다.

그래도 OOB를 왜 같이 언급하는지는 알아둘 필요가 있습니다. 랜덤포레스트는 bootstrap 때문에 각 트리가 학습하지 않은 샘플이 자연스럽게 생기고, OOB는 바로 그 남는 샘플을 다시 활용하는 구조입니다. 즉, OOB는 랜덤포레스트 바깥에서 억지로 붙인 평가 장치가 아니라, bootstrap을 썼기 때문에 같이 따라오는 내부 확인 수단으로 읽는 편이 더 자연스럽습니다.

사례 및 예시¶

사례 1. 고객 이탈 예측에서 한 그루 규칙보다 여러 그루 합의가 더 나을 때¶

구독 서비스 팀이 고객 이탈 예측을 위해 결정트리를 먼저 써 보았습니다. 사람이 먼저 보던 기준은 최근 방문 수, 결제 지연, 문의 횟수, 멤버십 등급 같은 신호였습니다.

단일 트리는 규칙을 읽기 쉬웠지만, 특정 예외 고객 몇 명에 경계가 쉽게 끌리는 문제가 있었습니다. 어떤 데이터 분할에서는 잘 맞고, 다른 분할에서는 조금만 바뀌어도 첫 분기와 예측 결과가 흔들립니다. 팀은 트리의 질문 흐름은 유지하되, 한 그루의 과한 예민함은 줄이고 싶어 합니다.

flowchart TD
  A["고객 이탈 표"]
  B["단일 트리는 드문 사례에 민감함"]
  C["부트스트랩으로 다른 샘플을 만든다"]
  D["랜덤 특징 부분집합"]
  E["여러 트리가 함께 투표"]
  F["더 안정적인 이탈 판단"]

  A --> B
  A --> C --> E
  A --> D --> E
  E --> F

이 장면에서 랜덤포레스트는 트리를 버리는 방법이 아니라 조금씩 다른 트리를 여러 개 모아 합의하는 방법으로 읽어야 합니다. bootstrap으로 각 트리가 조금 다른 고객 집합을 보고, max_features로 분기 후보도 다르게 보면, 한 그루가 특정 예외에 끌리는 현상이 숲 전체에서는 평균적으로 약해질 수 있습니다.

이 사례를 업무 메모처럼 더 짧게 적으면 다음 순서입니다.

확인 가능한 결과는 단일 트리와 랜덤포레스트의 test 점수뿐 아니라 여러 난수 시드에서의 흔들림을 함께 볼 때 드러납니다. 최고 한 번의 점수보다 평균적인 안정성이 더 좋아진다면, 랜덤포레스트의 장점이 더 복잡한 규칙이 아니라 덜 흔들리는 합의라는 점을 설명할 수 있습니다.

사례 2. 실무 장면에서 어떻게 읽을 수 있는가¶

랜덤포레스트는 특히 다음처럼 읽을 수 있습니다.

반대로, 해석 가능성이 최우선이어서 왜 이런 예측이 나왔는지를 개별 규칙으로 바로 설명해야 하는 상황에서는 단일 결정트리보다 불리하게 느껴질 수 있습니다. 숲 전체는 한 그루보다 훨씬 읽기 어렵기 때문입니다.

연습 및 예제¶

Python 예제로 한 그루와 여러 그루를 비교하기¶

이번 예제는 같은 iris 분류 문제에서 결정트리 하나와 랜덤포레스트를 비교하는 작은 실습입니다.

• 문제 상황: 한 그루 트리와 여러 그루 숲의 차이를 본다.
• 입력(input): iris 특징 4개
• 정답(label): 품종 class
• 확인할 개념:
• random forest는 여러 트리를 묶는다
• 같은 데이터에서도 test 성능과 안정성이 달라질 수 있다
• n_estimators가 숲의 크기와 연결된다

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

# iris 분류에서 단일 결정트리와 랜덤포레스트의 점수와 구조를 나란히 비교하는 예제입니다.
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

X, y = load_iris(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

single_tree = DecisionTreeClassifier(random_state=42)
single_tree.fit(X_train, y_train)

forest = RandomForestClassifier(
    n_estimators=100,
    random_state=42
)
forest.fit(X_train, y_train)

print("single tree")
print("  train accuracy:", round(single_tree.score(X_train, y_train), 3))
print("  test accuracy :", round(single_tree.score(X_test, y_test), 3))
print("  depth         :", single_tree.get_depth())
print("  leaves        :", single_tree.get_n_leaves())
print()

print("random forest")
print("  train accuracy:", round(forest.score(X_train, y_train), 3))
print("  test accuracy :", round(forest.score(X_test, y_test), 3))
print("  trees         :", len(forest.estimators_))
print("  first depth   :", forest.estimators_[0].get_depth())

실행 결과 예시는 다음과 같습니다.

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11

single tree
  train accuracy: 1.0
  test accuracy : 0.911
  depth         : 5
  leaves        : 8

random forest
  train accuracy: 1.0
  test accuracy : 0.911
  trees         : 100
  first depth   : 4

이 작은 결과만 보면 둘이 비슷해 보일 수 있습니다. 그래서 한 번 더 봐야 할 것은 random_state를 바꾸었을 때의 흔들림입니다.

Python 예제로 흔들림 차이 보기¶

이번 예제는 같은 데이터 분할을 여러 난수 시드로 반복하면서 단일 트리와 랜덤포레스트의 test 성능이 얼마나 흔들리는지 보는 실습입니다.

문제 상황:

• 모델 비교에서는 최고 점수보다 여러 분할에서 성능이 얼마나 흔들리는지도 함께 봐야 한다

입력(input):

• iris 데이터셋
• 단일 트리 모델
• 랜덤포레스트 모델
• 여러 난수 시드

기대 출력(output):

• 시드별 트리 점수와 랜덤포레스트 점수
• 두 모델의 평균 또는 흔들림 차이

확인할 개념:

• 랜덤포레스트의 장점은 최고점보다 흔들림 감소에서 더 잘 보일 수 있다
• 여러 시드 비교는 안정성을 읽는 가장 단순한 방법이다

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

# 여러 random_state에서 단일 트리와 랜덤포레스트의 test 점수 흔들림을 비교하는 예제입니다.
from sklearn.datasets import load_iris
from sklearn.model_selection import train_test_split
from sklearn.tree import DecisionTreeClassifier
from sklearn.ensemble import RandomForestClassifier

X, y = load_iris(return_X_y=True)

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.3, random_state=42, stratify=y
)

tree_scores = []
forest_scores = []

for seed in range(10):
    tree = DecisionTreeClassifier(random_state=seed)
    tree.fit(X_train, y_train)
    tree_scores.append(tree.score(X_test, y_test))

    forest = RandomForestClassifier(n_estimators=100, random_state=seed)
    forest.fit(X_train, y_train)
    forest_scores.append(forest.score(X_test, y_test))

print("single tree test scores :", [round(s, 3) for s in tree_scores])
print("forest test scores      :", [round(s, 3) for s in forest_scores])
print("tree avg                :", round(sum(tree_scores) / len(tree_scores), 3))
print("forest avg              :", round(sum(forest_scores) / len(forest_scores), 3))

실행 결과 예시는 다음과 같습니다.

1
2
3
4

single tree test scores : [0.978, 0.933, 0.911, 0.933, 0.911, 0.911, 0.933, 0.911, 0.911, 0.933]
forest test scores      : [0.978, 0.956, 0.933, 0.933, 0.933, 0.933, 0.956, 0.933, 0.933, 0.956]
tree avg                : 0.927
forest avg              : 0.944

이 예제가 보여 주는 것은 다음입니다.

1. 단일 트리도 어떤 시드에서는 잘 나올 수 있습니다.
2. 하지만 랜덤포레스트는 평균적으로 덜 흔들리고 더 안정적인 경우가 많습니다.
3. 랜덤포레스트의 가치는 완전히 새로운 구조라기보다 불안정한 트리들을 평균내는 방식에서 옵니다.

체크리스트¶

• 랜덤포레스트를 여러 randomized decision tree의 집계 모델로 설명할 수 있는가?
• 단일 트리보다 정말 흔들림이 줄었는지 같은 오류 사례 기준으로 보고 있는가?
• bootstrap과 feature 무작위 선택이 트리들을 서로 덜 닮게 만들기 위한 장치라는 점을 이해했는가?
• 여러 트리의 예측을 모아 단일 트리의 분산(variance)을 줄이려 한다는 점을 설명할 수 있는가?
• 랜덤포레스트의 장점을 최고 점수보다 평균적 안정성에서 읽고 있는가?
• 해석 가능성은 단일 트리보다 낮아질 수 있다는 점을 알고 있는가?
• n_estimators, max_features, bootstrap 중 무엇이 현재 더 중요한 손잡이인지 구분하고 있는가?

출처와 참고 자료¶

• scikit-learn developers, 1.11. Ensembles: Gradient boosting, random forests, bagging, voting, stacking, scikit-learn User Guide, 확인 날짜: 2026-06-27. https://scikit-learn.org/stable/modules/ensemble.html
• scikit-learn developers, RandomForestClassifier, scikit-learn API Reference, 확인 날짜: 2026-06-27. https://scikit-learn.org/stable/modules/generated/sklearn.ensemble.RandomForestClassifier.html
• Leo Breiman, Random Forests, Machine Learning, 45(1), 5-32, 2001. 확인 날짜: 2026-07-19. https://doi.org/10.1023/A:1010933404324