모델 실험실

Model Lab

각 과제별로 후보 모델을 비교하고, 왜 이 모델을 선택했는지 지표와 근거로 설명합니다. "우리가 이 모델을 고른 이유"입니다.

DEMO 데이터

위험 분류 모델

Risk classification

주요지표 · AUC

전세사기·보증사고 위험을 확률 대신 유사도 기반으로 분류합니다.

왜 복수 채택? · Why chosen역할이 달라 2개 모델을 채택했습니다 — KNN은 임차인에게 근거로 제시할 유사 사고사례를 검색하는 주 엔진, KDE는 "사고 모집단 대비 전형성"을 재확인하는 보조 신호입니다. 하나의 점수가 아니라 근거(사례)와 신호(밀도)를 함께 제공하기 위한 조합입니다.

Two models are chosen because they play different roles — KNN is the primary engine retrieving similar accident cases as evidence for the tenant; KDE is a secondary signal cross-checking "typicality vs the accident population". Together they provide evidence (cases) plus a signal (density), not a single opaque score.

⚠️ sev.연관성(severity_band_spearman)은 보조 지표입니다 — 사고 심각도의 84%가 100%로 고정되어 있어 신호가 약하며, 부호는 각 모델 점수의 방향일 뿐 |ρ|(절대값)로 비교해야 합니다.severity_band_spearman is auxiliary — 84% of severities are fixed at 100%, so the signal is weak; the sign only reflects score orientation, compare |ρ|.

지표는 검증셋 기준 오프라인 평가치입니다. 운영 성능은 데이터 분포 변화에 따라 달라질 수 있습니다. Offline validation metrics; production performance may drift.

회수율 예측 모델

Recovery-rate regression

주요지표 · MAE

대위변제 사건의 기대 회수율과 배당 소요기간을 추정합니다.

왜 복수 채택? · Why chosen2단계 파이프라인이므로 단계별로 챔피언을 선정합니다 — 1단계(회수확률 분류기)와 2단계(회수율 회귀기)는 서로 다른 하위 과제이며, 두 예측이 곱해져 트리아지 점수(NPV = 대위변제 × P(회수) × 기대회수율 ÷ 시간할인)가 됩니다. 두 단계 모두 XGBoost가 최고 성능이었습니다.

This is a two-stage pipeline, so one champion is chosen per stage — Stage 1 (settlement-probability classifier) and Stage 2 (recovery-rate regressor) are distinct sub-tasks whose predictions multiply into the triage score (NPV = subrogation × P(settle) × E(recovery) ÷ time discount). XGBoost won both stages.

분쟁 유형 분류

Dispute-text classification

주요지표 · Macro-F1

한국어 상담 텍스트에서 분쟁 유형 구성을 추정합니다.

왜 복수 채택? · Why chosen단일 역할 과제로 챔피언 1개만 채택합니다 — TF-IDF + RandomForest가 선형 모델을 큰 차이로 앞섰습니다(한국어 분쟁 키워드의 비선형 조합 효과).

Single-role task with one champion — TF-IDF + RandomForest beat linear models decisively (Korean dispute keywords combine non-linearly).