Earticle

본 연구는 소규모 수치형 데이터의 분석 한계를 극복하기 위해 데이터 증강을 통한 가상 모집단 생성과 머신러닝을 결합한 예측 방법 론을 제안하였다. 이를 위해 원본 표본의 공분산 구조를 반영한 1,300건의 가상 모집단을 생성하고, 5가지 알고리즘 비교를 통해 Random Forest를 최적 모델로 선정하였다. 시나리오 분석 결과, 가상 모집단은 원본 데이터의 통계적 특성을 정밀하게 모사하였으 며, 변수 변화에 따른 비대칭적 민감도와 천장 효과와 같은 잠재적 패턴을 효과적으로 탐지하였다. 본 연구는 가상 데이터 증강 기법이 데이터 부족 환경에서도 과적합 없이 안정적인 예측 성능을 확보할 수 있음을 실증함으로써, 데이터 기반 미래 예측을 위한 유효한 방 법론임을 입증하였다.

This study proposes a predictive methodology combining virtual population generation via data augmentation and machine learning to overcome the analytical limitations of small-scale numerical data. To this end, we generated a virtual population of 1,300 cases reflecting the covariance structure of the original sample and selected Random Forest as the optimal model through a comparison of five algorithms. Scenario analysis revealed that the virtual population precisely replicated the statistical characteristics of the original data and effectively detected latent patterns, such as asymmetric sensitivity and ceiling effects, in response to variable changes. This study validates that virtual data augmentation is an effective methodology for data-driven future prediction, demonstrating its ability to secure stable predictive performance without overfitting even in data-scarce environments.