리샘플링의 상충 관계

대형 기술 기업이 직원 이탈을 예측해 유지율을 높이려 해요. 그런데 실제로 회사를 떠난 직원은 12%에 불과해, 모델이 주로 "잔류" 사례(88%)로 학습되어 이탈 위험 직원을 식별하기가 어렵습니다.

이 불균형을 해결하기 위해 HR 분석가는 합성 리샘플링을 사용해 더 많은 "이탈" 사례를 만들어 데이터 균형을 맞춥니다.

핵심 요구사항: 충성도 높은 직원을 "이탈 고위험"으로 잘못 분류하지 않아야 합니다. 불필요한 유지 전략이 낭비되지 않도록 하기 위해서예요.

모델 평가는 다음 기준으로 이루어집니다:

• 훈련 정확도: 훈련 데이터에서의 정답 비율.
• 테스트 정확도: 새로운 데이터에서의 정답 비율.
• 정밀도(Precision): 이탈로 예측된 직원 중 실제로 이탈한 비율.

Metric	Model A (without resampling)	Model B (with resampling)
Training accuracy	85%	95%
Test Accuracy	82%	85%
Precision	80%	68%