AdaBoost

보험사가 하루에 수많은 청구를 심사한다면 어떤 건을 먼저 확인해야 할까요? 청구 금액이 크면 무조건 의심해야 할까요? 금액은 크지 않지만 짧은 기간에 비슷한 청구가 반복된다면 어떨까요? 여러 단서를 함께 살펴야 정상 청구와 부정청구 가능성이 있는 건을 구분할 수 있습니다.

이처럼 간단한 분류기를 여러 차례 학습시키되, 앞선 단계에서 잘못 분류된 사례에 더 큰 가중치를 부여해 최종 분류기를 만드는 방법이 AdaBoost(Adaptive Boosting)입니다. 개별 모델의 판단은 다소 부정확하더라도 이를 순서대로 결합해 분류 성능을 개선하려는 방식입니다.

랜덤 포레스트가 여러 나무를 독립적으로 학습하고 그 결과를 모은다면, AdaBoost는 이전 모델의 오류를 다음 모델의 학습에 반영합니다. 따라서 새로운 분류기가 어떤 사례에 주목할지는 앞선 분류기의 결과에 따라 달라집니다. 다만 잘못 표시된 정답이나 이상치까지 집중해서 학습할 수 있으므로 주의가 필요합니다.

AdaBoost는 보험 청구 심사, 금융 거래 분류, 품질 검사 등에서 활용할 수 있습니다. 이번 글에서는 보험 청구의 부정청구 가능성 예제를 통해 작동 원리와 표본 가중치, 주요 설정, 분류 결과 해석, 다른 앙상블 방법과의 차이, 실제 적용 시 점검할 사항을 살펴보겠습니다.

AdaBoost는 앙상블 학습에 속합니다. 하나의 복잡한 모델만 사용하는 대신 비교적 단순한 기본 분류기(base estimator)를 여러 번 학습해 최종 결정을 내립니다. 전형적인 이진 분류 AdaBoost에서는 얕은 결정나무, 특히 하나의 조건으로 나누는 결정그루터기(decision stump)를 사용합니다.

첫 분류기가 틀린 사례에는 더 큰 표본 가중치를 부여하고, 맞힌 사례에는 상대적으로 작은 가중치를 부여합니다. 다음 분류기는 달라진 가중치를 고려해 학습합니다. 마지막에는 각 분류기의 판단을 동일하게 취급하지 않고 분류기의 성능을 반영한 가중치로 결합합니다.

보험 청구 건은 청구 금액만으로 부정 여부를 판단하기 어렵습니다. 정상적인 고액 치료비 청구도 있고, 소액이지만 반복적으로 이루어지는 의심 거래도 있습니다. 청구 빈도와 사고 유형, 이전 청구 이력 등 여러 특징을 함께 살펴야 합니다.

AdaBoost는 먼저 발견하기 쉬운 패턴을 분류한 뒤, 구분되지 않은 사례의 비중을 높여 새로운 패턴을 학습합니다. 이 과정에서 여러 단순한 규칙이 결합되어 하나의 규칙보다 다양한 형태의 분류 경계를 만들 수 있습니다. 그러나 모든 상황에서 단일 모델보다 성능이 좋다는 의미는 아닙니다.

① 모든 청구 건에 처음에는 같은 가중치를 줍니다

학습자료에 청구 1,600건이 있다면 전형적인 방식에서는 각 청구 건에 동일한 초기 가중치를 부여합니다. 여기서 가중치는 청구 금액이 아니라 학습 과정에서 해당 관측값을 얼마나 중요하게 다룰지 나타냅니다.

② 첫 번째 약한 분류기를 학습합니다

간단한 결정나무가 청구 금액이나 과거 청구 빈도에 따라 정상을 예측하거나 부정청구 가능성을 분류합니다. 결과를 실제 정답과 비교해 가중 오분류율을 계산합니다.

③ 잘못 분류된 사례의 중요도를 높입니다

틀린 관측값에는 다음 단계에서 상대적으로 큰 가중치를 부여하고 맞힌 관측값에는 더 낮은 가중치를 줍니다. 이후 가중치를 다시 정규화합니다. 따라서 다음 분류기는 앞선 분류기가 잘 구분하지 못한 사례에 더 큰 영향을 받습니다.

④ 여러 분류기의 판단을 결합합니다

이 과정을 반복하고 각 분류기의 성능을 반영해 최종 분류를 결정합니다. 여기서 높은 가중치를 받는 것은 부정청구 가능성이 높은 청구 건이 아니라 기존 분류기가 틀린 청구 건이라는 점을 구분해야 합니다.

보험사에 접수된 가상 청구 2,000건을 분석한다고 가정하겠습니다. 정상으로 확인된 청구는 1,800건, 조사 후 부정청구로 확정된 건은 200건입니다. 1,600건을 학습에 사용하고, 나머지 400건은 최종 평가까지 따로 보관합니다. 각 집합은 정상 90%, 부정청구 10%로 구성했습니다.

여기서 부정청구는 단순히 보험사가 의심한 건이 아니라 조사 결과 기준에 따라 확정된 사례라고 가정합니다. 이후 표와 그래프의 수치는 학습을 돕기 위해 구성한 가상 결과이며 실제 모델을 학습한 결과가 아닙니다.

① 청구 이력과 확정 정답을 준비합니다

사고 유형, 청구 금액, 청구 빈도 등 예측 시점에 확인 가능한 특성과 조사 결과로 확정된 정답을 정리합니다. 동일 고객의 반복 자료나 연속된 기간의 자료라면 상황에 맞게 그룹 또는 시간 기준으로 분할합니다.

② 학습용 자료 안에서 전처리와 검증을 수행합니다

결측값 대치, 범주형 변수 인코딩, 필요한 특징 선택은 학습자료 내부에서 이루어져야 합니다. 교차검증을 사용할 때는 매 폴드의 학습 부분에만 전처리를 적합합니다.

③ 약한 분류기와 AdaBoost 설정을 선택합니다

얕은 결정나무를 기본 분류기로 사용하고 분류기 수, 학습률, 나무의 깊이를 비교합니다. 부정청구 사례가 적다면 정확도뿐 아니라 정밀도와 재현율을 중심으로 검증합니다.

④ 가중치를 갱신하며 순차적으로 학습합니다

각 단계에서 잘못 분류한 청구 건의 가중치를 조정하고 새로운 약한 분류기를 학습합니다. 이 반복 과정에서 부정청구와 정상 청구에 대한 구분 규칙을 보완합니다.

⑤ 봉인된 평가자료로 최종 성능을 확인합니다

학습 단계가 끝난 뒤 별도로 보관한 평가자료의 혼동행렬, 정밀도, 재현율, F1 및 PR-AUC 등을 계산합니다. 최종 평가 수치를 보고 설정을 다시 바꾸면 독립 평가의 의미가 약해집니다.

분류기 수를 늘리면 더 많은 오류 패턴에 대응할 수 있지만, 라벨이 부정확하거나 예외적인 청구 건에 과도하게 집중할 수도 있습니다. 학습률을 낮추면 각 분류기의 영향이 줄어들어 더 많은 반복이 필요할 수 있습니다. 두 값을 함께 검증하는 것이 적절합니다.

가상의 최종 평가자료 400건에서 다음과 같은 결과가 나왔다고 가정하겠습니다. 표의 행은 실제 정답, 열은 모델의 예측입니다.

정확도는 93.0%(372/400), 부정청구 정밀도는 70.0%(21/30), 재현율은 52.5%(21/40)이며 F1 점수는 60.0%입니다. 실제 부정청구 40건 중 19건을 놓쳤기 때문에 정확도만 보고 좋은 탐지 성능이라고 결론 내릴 수 없습니다.

AdaBoost는 청구 건을 분류하는 점수와 일부 구현에서 추정된 확률을 제공할 수 있습니다. 그러나 점수가 높다는 사실만으로 실제 부정청구가 확정되는 것은 아닙니다. 확률 출력도 별도의 보정 검토 없이 실제 발생 확률처럼 해석해서는 안 됩니다.

예컨대 청구 금액이 중요한 변수로 나타나도 금액을 높이면 부정청구가 발생한다는 인과관계를 뜻하지 않습니다. 또한 모델의 경고는 자동 거절보다는 추가 검토 우선순위를 정하는 용도로 사용하는 것이 적절할 수 있습니다.

라벨이 잘못 붙어 있다면 어떻게 되나요?

실제로 정상인 청구가 부정청구로 잘못 표시되었다면 AdaBoost는 그 자료를 계속 어려운 사례로 취급할 수 있습니다. 반복 학습의 초점이 잘못된 정답에 쏠리지 않도록 조사 결과의 품질을 확인해야 합니다.

정상 청구가 훨씬 많으면 정확도가 높게 나오지 않나요?

이 예제에서는 정상 청구가 90%입니다. 모든 청구를 정상으로 예측해도 정확도는 90%이므로, 93%라는 숫자만으로는 부정청구 탐지가 충분하다고 보기 어렵습니다. 재현율·정밀도와 실제 조사 비용을 함께 검토해야 합니다.

같은 고객의 과거 청구는 어떻게 처리하나요?

같은 사람이나 사건의 유사 청구가 학습과 평가에 섞이면 미래 청구를 예측하는 능력을 과대평가할 수 있습니다. 실제 운영 방식에 맞는 시간 분할이나 고객 단위 분할을 고려합니다.

모델이 특정 집단을 과도하게 의심할 수 있나요?

학습자료의 조사 관행이나 기존 편향을 그대로 익힐 수 있습니다. 중요한 결정을 내릴 때는 집단별 오류 차이, 설명 가능성, 이의제기 절차와 담당자 검토를 함께 마련해야 합니다.

AdaBoost도 부스팅 계열이지만 모든 부스팅 모델이 동일한 계산 방식을 쓰지는 않습니다. 특히 그래디언트 부스팅과는 최적화 관점과 오차 처리 방법에 차이가 있으므로 단순히 이름만 같다고 동일한 모델로 보아서는 안 됩니다.

보고서에는 정상·부정청구 자료의 수, 판정 기준, 분할 방식, 입력변수, 기본 분류기 구조, 분류기 수와 학습률, 교차검증 절차를 설명합니다. 성능은 가능하면 독립 평가자료를 기준으로 제시하고 오류 유형을 함께 보고해야 합니다.

실제 연구에서는 하이퍼파라미터의 최종 선택값과 정답 정의, 평가 시점, 분류 임계값, 신뢰구간 또는 반복 검증 결과를 추가하는 것이 좋습니다. 부정청구 의심 판정이 실제 조사로 이어졌는지까지 구분하여 보고해야 합니다.

분류기의 성능은 입력 특성, 정답 품질, 불균형 수준과 평가 설계에 따라 달라집니다. 따라서 AdaBoost를 적용할 때는 기본 모델 및 다른 앙상블 방법을 동일한 데이터 분할 조건에서 비교하는 것이 합리적입니다.

AdaBoost는 개별 분류기의 오류를 다음 단계에 반영해 더 나은 분류 규칙을 학습합니다. 보험 청구 사례에서는 청구 금액과 빈도, 사고 유형의 단서를 순차적으로 결합하여 정상 청구와 부정청구 가능성이 있는 청구를 구분합니다. 하지만 앞선 모델이 틀린 사례에 반복적으로 주목하는 특성 때문에 조사 정답이 잘못 붙어 있거나 비정상적인 관측값이 섞여 있으면 불필요한 패턴까지 학습할 수 있습니다. 기본 분류기와 반복 횟수, 학습률은 학습자료 안에서 검증하여 선택해야 합니다.

예제의 정확도는 93.0%였지만 실제 부정청구의 47.5%는 놓쳤습니다. 따라서 정확도만으로 결과를 평가하기보다 부정청구 재현율과 정상 청구에 대한 잘못된 경보를 함께 확인해야 합니다. 분류 결과는 부정청구를 확정하는 판단이 아니라 추가 심사가 필요한 건을 우선 검토하는 데 활용하는 것이 적절합니다. 운영 단계에서는 시간이 지난 자료로 성능을 다시 평가하고, 공정성 및 데이터 누수 여부도 지속적으로 점검해야 합니다.