01
공간 변수의 증분 예측력
이웃 기업 부도율·지역 공실률을 추가할 때 AUC가 얼마나 오르는가.
02
비선형·상호작용 포착
이자보상배율 1배 임계점, 부채비율 × 이웃 부도율 상호작용을 선형모형 없이 잡아내는가.
03
해석 가능성
MDI와 순열 중요도가 같은 변수 순위를 주는가, 아니면 편향이 드러나는가.
모형 실험실
하이퍼파라미터를 조정하고 학습을 실행하십시오. 기준모형(로지스틱 회귀)은 같은 변수 집합으로 함께 적합됩니다.
RF 테스트 AUC–
로지스틱 AUC–기준모형
OOB 오분류율–부트스트랩 외 표본
테스트 정확도–
트리 수에 따른 OOB 오분류율
곡선이 평탄해지는 지점 이후로는 트리를 늘려도 이득이 작습니다.
ROC 곡선 (테스트셋)
초록: Random Forest · 파랑: 로지스틱 회귀 · 점선: 무작위.
변수중요도 — MDI (지니 감소)
학습 표본 기준. 분할 후보가 많은 연속변수에 유리한 편향이 있습니다.
변수중요도 — 순열 (AUC 감소)
테스트셋에서 한 변수를 섞었을 때 AUC가 떨어지는 폭입니다.
공간 변수 증분 효과 기록
같은 설정에서 공간 변수를 넣은 경우와 뺀 경우를 비교합니다. 학습을 실행할 때마다 기록이 추가됩니다.
| 설정 | 공간 변수 | RF AUC | 로지스틱 AUC | RF − 로지스틱 | OOB 오분류 |
|---|---|---|---|---|---|
| 실행 기록이 없습니다. | |||||
방법론
Breiman(2001)의 Random Forest를 그대로 구현했습니다. 각 트리는 부트스트랩 표본으로 학습하고, 매 분할마다 무작위로 고른 변수 일부에서만 최적 분할을 찾습니다.
p̂(x) = (1/B) Σb=1..B Tb(x; Θb), Gini(t) = 1 − Σk ptk2, ΔI = Gini(t) − (nL/n)Gini(tL) − (nR/n)Gini(tR)
변수 구성
- 재무 6개 — 부채비율, 유동비율, 이자보상배율, ROA, 업력, 매출 규모(log)
- 공간 3개 — 반경 내 이웃 기업 부도율(공간시차), 지역 상가 공실률, 수도권 여부
- 생성모형: 이자보상배율 < 1 임계 급증, 부채비율 × 이웃 부도율 상호작용, 업력 U자 효과
평가 설계
- 층화 없는 무작위 75:25 학습·테스트 분할 (시드 고정)
- OOB 오분류율로 트리 수 수렴 확인
- 테스트 AUC로 RF와 로지스틱 비교, 공간 변수 포함 여부 비교
- 분할 후보는 변수당 분위수 24개로 제한해 브라우저 연산량을 줄였습니다
연구 로드맵 진행 1 / 5
- 합성 데이터 검증 — 알려진 비선형·공간 효과 복원 여부 확인 (현재 페이지)
- 실데이터 구축 — DART 재무제표 + 사업장 주소 지오코딩 + 공간가중행렬(k-NN, 거리역수)
- 공간 교차검증 — 무작위 분할 대신 지역 블록 CV로 공간 누수(spatial leakage) 통제
- 모형 비교 — Random Survival Forest, XGBoost, 공간 frailty Cox와 C-index 비교
- 해석 — SHAP 상호작용 값으로 입지 요인의 한계효과와 정책 함의 도출