✅ 1. 클래스별 성능 요약 (5단계 라벨)
클래스의미PrecisionRecallF1-score해석
| 0 | 급하락 | 0.24 | 0.24 | 0.24 | 이전보다 recall 약간 개선 |
| 1 | 하락 | 0.27 | 0.36 | 0.31 | 성능 향상. 비교적 잘 잡힘 |
| 2 | 횡보 | 0.47 | 0.64 | 0.54 | 모델이 가장 강한 클래스 |
| 3 | 상승 | 0.23 | 0.06 | 0.09 | recall 하락 → 허위 신호 많음 |
| 4 | 급상승 | 0.11 | 0.09 | 0.10 | 아직도 거의 못 잡음 |
📊 Confusion Matrix 분석
css
복사편집
실제 0 1 2 3 4 예측 0 [13, 5, 17, 8, 8] ← 급하락 예측은 여전히 다른 클래스로 많이 퍼짐 예측 1 [19, 56, 51, 57, 27] ← 하락 class는 recall 가장 좋음 예측 2 [ 8, 19, 114, 48, 15] ← 횡보 예측이 전체 중심 예측 3 [ 1, 9, 7, 8, 3] ← 상승 예측 거의 없음 예측 4 [14, 9, 5, 14, 5] ← 급상승도 **다른 클래스로 대부분 분산**
- **클래스 2 (횡보)**는 예측을 집중적으로 잘 수행 중
- **급상승/급하락 (0, 4)**은 여전히 recall과 precision 모두 낮음
- **클래스 1 (하락)**이 상대적으로 더 좋아졌다는 점은 긍정적
📌 종합 평가
항목수치의미
| Accuracy | 0.33 | 5-class 기준에서 무작위보다 낫다 |
| Macro avg F1 | 0.25 | 클래스 간 예측 균형은 여전히 낮음 |
| Weighted avg F1 | 0.30 | 전체 샘플 기준 성능은 약간 향상 |
✅ 효과가 있었던 부분
- 하락 클래스(1)의 성능이 분명히 개선됨 (Recall 0.36 → 기대 이상)
- **횡보 클래스(2)**는 여전히 높은 정확도를 유지함
- 기술 지표 추가가 일부 구간의 구분성을 향상시킴
❗ 여전히 부족한 부분
- 급상승/급하락 클래스의 예측력이 낮음 → 극단적 이벤트 탐지 능력 부족
- 시계열 구조만으로는 극단적 변화 전후의 흐름 감지에 한계 존재
- 모델 구조가 단일 GRU → 더 정교한 인식 필요
🎯 다음 추천 단계
우선순위전략목적
| ✅ 1 | CNN-GRU 하이브리드 모델 | 노이즈 제거 + 국지적 패턴 학습 강화 |
| ✅ 2 | 변동률 예측을 Regression으로 전환 | 상승/하락 확률 또는 크기 자체 예측 |
| 3 | Transformer / Attention 구조 | 장기 의존 관계 포착 |