Comparative Analysis of Welfare Blind-Spot Detection Performance Using Resampling Techniques and Stacking Ensemble Methods

복지 사각지대는 제도적 지원이 필요한 가구가 행정적 탐지의 지연으로 인해 적시에 파악되지 못하는 구조적 문제로, 이를 해결하기 위한 예측 모델의 고도화가 요구된다. 그러나 복지 행정데이터는 상당한 수준의 클래스 불균형을 내재하고 있어, 기계학습 모델이 소수 위험집단을 정확히 탐지하는 데 근본적인 한계가 존재한다. 본 연구는 국내 복지행정기관의 복지위기정보 713,970건을 활용하여, 언더샘플링(Under Sampling)과 오버샘플링(Over Sampling)과 SMOTE 등 재표본화 기법과 스태킹(Stacking) 앙상블이 복지 사각지대 탐지 성능에 미치는 영향을 체계적으로 비교하고 분석하였다. 스태킹 모형은 랜덤 포레스트(Random Forest), XGBoost, LightGBM을 베이스 모델로 구성하고, 각 모델의 Out-of-Fold 예측확률을 메타 특성으로 활용하여 로지스틱 회귀가 최종 예측을 수행하는 2단계 구조로 설계하였다. 분석 결과, 단일 모델 중에서는 부스팅 계열(LightGBM, XGBoost)이 높은 재현율(Recall)을 보였으며, 재표본화 기법 중에서는 SMOTE가 F1-score 기준으로 가장 안정적인 성능을 나타냈다. 그러나 최종적으로는 재표본화를 적용하지 않은 스태킹 모형이 정확도(0.722)와 F1-score(0.409)에서 가장 우수한 성능을 보여, 서로 다른 알고리즘의 예측 신호를 메타 모델이 효과적으로 통합할 때 불균형 데이터 환경에서도 예측 안정성과 탐지 성능을 동시에 확보할 수 있음을 확인하였다. 본 연구는 복지 행정데이터를 대상으로 샘플링 전략과 앙상블 기법의 효과를 동시에 비교한 실증 사례를 제공하며, 복지 사각지대 발굴 시스템 설계에 실무적 지침을 제시한다는 점에서 의의가 있다.