희소 양성에서 bootstrap tree가 양성을 거의 못 담을 때 sampling과 threshold를 어떻게 분리하나요?

balanced bootstrap·class weight는 tree가 학습하는 표본 분포와 weighted impurity를 바꾸고, threshold는 완성된 forest score를 행동으로 바꿉니다. 양성 1%인 10,000행에는 약 100 positive가 있지만 node로 내려가면 지역별 positive가 거의 없을 수 있습니다. 따라서 일반·balanced sampling을 같은 split과 seed에서 비교하고 tree별 positive count, inclusion mask, weighted impurity를 기록합니다. 설명용 결과가 일반 모델 TP=70,FP=80,FN=30, balanced 모델 TP=85,FP=240,FN=15라면 recall은 70%→85%지만 precision은 46.7%→26.2%입니다. review budget 100을 넘을 수 있으므로 threshold만 바꾸는 실험을 별도로 하고, balanced vote .7을 운영 확률 .7로 읽지 않습니다. 실제 prevalence test에서 PR·검토량·calibration을 확인합니다.

이 비교에서 일반 bootstrap이 양성을 전혀 못 담는다는 식의 과장은 피하고, 문제는 전체 표본보다 node 지역에서 발생한다고 설명해야 합니다. 각 tree가 positive를 몇 개 보았는지와 특정 split 이후 자식별 positive count를 기록하면 sampling 변경이 어디에서 작동했는지 알 수 있습니다. balanced sampling으로 recall이 올라가도 FP가 240이면 100건 review budget을 초과합니다. threshold를 올려 queue를 줄일 수 있지만 FN과 recall이 다시 바뀌므로 운영 비용표에서 선택합니다. calibration을 별도 자료에서 fit하고 실제 1% prevalence에서 평가해야 balanced 학습 분포와 운영 확률의 차이를 확인할 수 있습니다.