예측모형 분석

예측모형 설계로 모은 자료로 로지스틱(선형) 회귀·랜덤 포레스트·XGBoost·엘라스틱넷을 학습·검증해 AUC·F1·재현율·정밀도·RMSE 를 견주고, ROC·혼동행렬·보정 그림과 순열 중요도·SHAP 으로 최적 모형을 해석하며, 예측모형 보고서까지 내는 기능이다(개발 중).

예측 성능은 모형이 학습에 쓰지 않은 자료에서 재야 믿을 수 있다. SSRA 는 설계의 분할 방식(학습·시험·교차검증·시간순)대로 모형을 학습하고, 조율·전처리는 학습 자료 안에서만 하며, 기준모형 대비 개선을 DeLong 검정 등으로 확인한다. 최적 모형의 변수 기여는 순열 중요도와 SHAP 으로 보여 주되, 예측에 대한 기여이지 인과효과가 아님을 함께 밝힌다. 누출로 뺀 변수가 혼자서 얼마나 맞히는지도 보고해 누출 방지의 효과를 드러낸다.

1. 통계분석 메뉴에서 [예측모형 분석]을 열고 예측모형 설계로 만든 설문을 고른다.
2. [예측모형 분석 실행] — 확인 창에서 결과·예측변수·분석방법·검증 방법을 보고 실행한다.
3. 타일에서 자료 개요·모형 성능 비교·ROC·혼동행렬·변수 기여·SHAP·최적모형 해석·연구문제의 답을 확인한다.
4. [보고서 작성하기]로 예측모형 보고서를 만든다.

Q. SSRA 예측모형 분석은 어떤 R 패키지를 쓰나요?

A. 기준모형은 glm·lm·nnet, 랜덤 포레스트는 ranger, XGBoost 는 xgboost, 엘라스틱넷은 glmnet, AUC 신뢰구간과 DeLong 검정은 pROC 를 씁니다. SHAP 은 fastshap 과 같은 몬테카를로 근사로 계산합니다.

Q. SHAP 값이 크면 그 변수가 원인인가요?

A. 아닙니다. SHAP 과 순열 중요도는 «예측에 얼마나 기여했는가»일 뿐이며, 그 변수를 바꾸면 결과가 바뀌는지는 인과추론 설계로 따로 물어야 합니다.