리샘플링의 숨겨진 비용: 불균형 보정이 트리 앙상블의 확률 캘리브레이션을 저하시키는 방법
The Hidden Cost of Resampling: How Imbalance Correction Degrades Probability Calibration in Tree Ensembles
SMOTE와 무작위 과소/과잉 샘플링 등 클래스 불균형 보정 기법이 트리 앙상블의 확률 캘리브레이션(probability calibration)에 미치는 영향을 5개 데이터셋과 2개 앙상블 모델로 실증 분석한 결과, 무작위 과소 샘플링은 불균형 비율 70 환경에서 ECE를 0.008에서 0.395까지 급격히 악화시키는 반면 SMOTE의 캘리브레이션 손실은 소폭(ECE +0.009)에 그치며 Platt 스케일링 또는 등온 회귀 방식의 사후 재캘리브레이션 한 단계만으로 ECE를 최대 66%까지 회복할 수 있음을 보였다. 또한 과소 샘플링 보정에 유효한 사전 이동 보정(prior-shift correction)은 SMOTE가 사전 확률이 아닌 클래스 조건부 밀도를 왜곡하기 때문에 SMOTE에는 적용되지 않으며, 예측 확률이 의사결정에 활용되는 경우 리샘플링 후 반드시 데이터 기반 재캘리브레이션을 수행할 것을 권장한다.