2026 ADP 필기 모의고사 1회 | 80문항·서술형1문항 — 정답·해설

정답 ④

정량 데이터는 수량이나 측정값으로 표현되고 정성 데이터는 범주·의견·서술과 관련됩니다. 정형·반정형·비정형은 저장 구조의 관점이므로 서로 다른 분류 축입니다. JSON은 키와 계층 구조가 있는 반정형 자료이며 그 안에 숫자와 문자열이 함께 들어갈 수 있습니다. 숫자로 저장되었다고 모두 양적 크기를 뜻하지 않습니다. 우편번호·등급 코드는 범주를 표시할 수 있으므로 평균을 계산하기 전에 측정 척도를 확인합니다.

정답 ①

숫자 모양의 범주 코드에 산술적 크기를 부여하면 잘못된 해석이 됩니다.

정답 ①

데이터→정보→지식→지혜는 관찰값에 맥락을 부여하고 관계·판단으로 확장하는 흐름입니다. 오늘 판매 10건은 데이터, 전주 대비 20% 증가라는 맥락은 정보, 특정 행사 후 전환율이 오른다는 반복 패턴은 지식으로 연결할 수 있습니다. 단계를 기계적으로 암기하기보다 사실·맥락·일반화·의사결정의 차이를 보세요. 상관 패턴을 얻었다고 곧바로 인과가 확정된 것은 아니며, 최종 행동은 비용과 위험을 함께 고려해야 합니다.

정답 ①

(100-80)/80=25%로 비교 기준을 더해 숫자의 의미를 설명했습니다.

정답 ④

데이터베이스는 여러 사용자가 공유하고 통합된 데이터를 지속적으로 관리하는 기반입니다. 통합성·공유성·저장성·운영성을 업무 사례와 연결하세요. 통합은 중복을 전혀 허용하지 않는다는 절대 명제가 아니라 불필요한 중복과 불일치를 줄이는 방향입니다. 데이터 독립성·무결성·보안·동시성 제어는 DBMS가 제공하는 중요한 관리 기능입니다. 파일을 하나에 모았다고 자동으로 권한과 무결성까지 확보되는 것은 아닙니다.

정답 ③

동시 변경이 충돌하거나 갱신을 잃지 않도록 트랜잭션과 동시성 제어가 필요합니다.

정답 ③

OLTP는 주문 등록·계좌 이체처럼 개별 거래의 정확하고 빠른 처리를 중시합니다. OLAP은 기간·지역·상품 등 여러 관점의 집계와 탐색을 지원합니다. 분석용 질의를 운영 거래 DB에 무제한 실행하면 서비스 처리에 부담을 줄 수 있습니다. 데이터웨어하우스나 데이터마트는 분석 목적에 맞게 이력을 통합·구성합니다. OLAP과 OLTP는 목적의 차이이며 어느 쪽이 무조건 우수한 기술인지 비교하는 문제가 아닙니다.

정답 ①

여러 차원과 기간을 집계·탐색하는 분석 업무입니다.

정답 ④

데이터웨어하우스는 조직의 분석 자료를 통합하고 이력을 관리하는 저장 기반입니다. 데이터마트는 특정 부서·주제의 분석 요구에 맞춘 범위를 뜻합니다. 원본의 거래 시각과 적재 시각이 다르면 최신성 차이를 설명해야 합니다. 지표를 만들기 전 매출이 주문 시점인지 결제 완료 시점인지 정의합니다. 같은 컬럼명을 썼더라도 기간·취소·환불 처리 기준이 다르면 부서별 수치가 달라집니다.

정답 ④

특정 업무 영역의 분석 요구에 맞춘 데이터 구조이므로 데이터마트에 해당합니다.

정답 ①

ETL은 추출→변환→적재, ELT는 추출→적재→변환의 흐름입니다. 변환을 어디서 수행하는지와 저장·연산 환경의 차이를 봅니다. 형식·단위·코드를 표준화하고 오류를 검증하는 규칙을 명시해야 합니다. 순서만 바꾸면 품질이 자동 보장되는 것은 아닙니다. 원본 스냅숏 시점과 변환 버전을 남겨 같은 입력에서 같은 결과를 재현할 수 있게 합니다.

정답 ②

추출·적재 후 변환하므로 ELT입니다.

정답 ④

CDC는 데이터의 삽입·수정·삭제 등 변경을 포착합니다. 전체 적재보다 전송량을 줄일 수 있지만 삭제·순서·중복·스키마 변경을 처리해야 합니다. 수정시각만 보는 방식과 로그 기반 방식은 놓칠 수 있는 변경과 운영 조건이 다릅니다. 체크포인트는 어디까지 반영했는지 복구 기준입니다. 장애 뒤 같은 변경을 다시 받더라도 결과가 중복되지 않도록 멱등 적용을 설계합니다.

정답 ③

재전달을 고려해 이벤트 ID·업무키로 이미 반영한 변경을 구분해야 합니다.

정답 ②

EAI는 기업 시스템 간 업무·데이터 연계를 위한 접근입니다. 메시지·서비스·허브 등 구조를 통해 시스템별 다른 형식과 흐름을 연결합니다. 분석 저장소 적재인 ETL과 목적이 겹칠 수 있어도 같은 개념은 아닙니다. 시스템 A의 주문 생성과 B의 배송 요청을 연결할 때 실패·재시도·중복·추적 ID를 설계합니다. 허브에 기능을 집중하면 연결 관리가 단순해질 수 있지만 병목과 장애 영향도 고려합니다.

정답 ①

서로 다른 업무 시스템의 메시지·자료를 연결하는 통합 문제입니다.

정답 ①

배치는 일정 기간 자료를 묶어 처리하고 스트림은 지속 유입되는 사건을 처리합니다. 이벤트 발생시간과 처리시간이 다를 수 있어 지연 도착·순서 뒤바뀜을 고려해야 합니다. 분 단위 집계에서 늦게 도착한 거래를 어느 창에 반영할지 정합니다. 낮은 지연을 원한다고 검증·복구 규칙이 필요 없어지는 것은 아닙니다.

정답 ②

어느 시간을 창 기준으로 삼고 지연을 어떻게 반영할지 명확히 해야 합니다.

정답 ①

데이터 통합 뒤에는 행 수·고유키 수·금액 합계·누락률·기준시점을 비교합니다. 행 수가 같아도 한 행 누락과 한 행 중복이 동시에 있을 수 있습니다. 원본과 결과의 대응을 추적할 수 있어야 합니다. 전체 재처리·부분 재처리의 경계를 정하고 변환 버전을 관리합니다. 오류 행은 이유와 함께 분리해 재검토하고 조용히 버리지 않습니다.

정답 ④

동일 행 수에도 값 변환 오류나 중복·누락이 숨어 있을 수 있습니다.

정답 ③

분석 대상과 방법을 아는지에 따라 최적화·솔루션·통찰·발견으로 구분합니다. 대상·방법을 모두 알면 최적화, 대상은 알지만 방법을 모르면 솔루션, 대상을 모르고 방법을 알면 통찰, 둘 다 모르면 발견으로 정리합니다. 문제 지문에서 알고리즘이 주어졌는지보다 업무상 분석 대상과 접근 방법이 확정되었는지를 읽으세요. 유형 분류는 프로젝트 성숙도에 대한 우열 판단이 아니라 현재 과제를 이해하는 틀입니다.

정답 ③

분석 대상은 알고 방법을 모르므로 솔루션 유형입니다.

정답 ②

업무 이해→데이터 이해→데이터 준비→모델링→평가→전개가 CRISP-DM의 대표 흐름입니다. 평가에서 성능만이 아니라 업무 목표를 만족하는지 확인하고, 전개 단계에서 운영 적용과 모니터링을 계획합니다. 단계는 일방향으로 한 번만 지나가는 것이 아닙니다. 자료를 살펴본 뒤 목표를 조정하거나 모델 평가 후 데이터 준비로 돌아갈 수 있습니다. 반복성과 단계 간 피드백을 기억하세요.

정답 ①

기술 성능뿐 아니라 업무 성공 기준을 충족하는지 평가해야 합니다.

정답 ②

KDD는 선택·전처리·변환·데이터 마이닝·해석 및 평가의 흐름으로 설명합니다. 데이터 마이닝은 전체 지식 발견 과정의 한 단계이지 전처리와 해석을 모두 생략하는 기술이 아닙니다. 누락·이상·자료형을 점검하는 전처리와 분석에 맞는 변수·구조를 만드는 변환을 구분합니다. 실제 활동이 겹칠 수 있어도 단계가 해결하려는 목적을 읽으면 순서 문제에 대응할 수 있습니다.

정답 ②

결측과 노이즈 정리는 분석 전 자료의 품질을 개선하는 전처리에 해당합니다.

정답 ④

하향식은 업무 문제를 정의하고 해결할 분석 과제를 구체화합니다. 상향식은 데이터의 패턴과 가능성에서 새로운 문제나 가치를 발굴합니다. 실제로는 두 접근을 반복하며 가설을 다듬을 수 있습니다. 하향식이 항상 정답을 미리 안다는 뜻은 아닙니다. 상향식도 업무 의미와 검증 없이 패턴을 확정하는 방식이 아닙니다. 문제 정의의 출발점과 가설 생성·검증의 연결을 구분하세요.

정답 ①

데이터에서 발견한 패턴이 과제 발굴의 출발점이므로 상향식입니다.

정답 ④

업무 KPI·데이터·일정·자원·적용 조건을 기획 단계에서 구체화합니다. 정확도 95%처럼 모델 지표만 두면 업무 목적이 흐려질 수 있습니다. 이탈 고객 중 개입 가능한 고객의 유지율과 순이익 등 행동 결과를 연결하세요. 데이터를 사용할 수 있는 시점도 중요합니다. 예측 시점 이후에 생기는 정보를 입력하면 운영에서 재현할 수 없는 누수가 발생합니다. 기획에서 예측 시점과 목표 기간을 함께 적습니다.

정답 ③

실제 예측 시점에는 알 수 없는 결과 이후 정보이므로 성능이 부풀려집니다.

정답 ④

R의 기본 원자 벡터는 같은 자료형의 원소를 담습니다. 숫자와 문자를 c()로 묶으면 공통 자료형으로 강제 변환될 수 있습니다. 리스트는 서로 다른 구조를 원소로 가질 수 있다는 점에서 다릅니다. 자료가 화면에 숫자로 보이더라도 문자형이면 숫자 연산이 되지 않을 수 있습니다. str()와 class()로 구조와 자료형을 먼저 확인하는 습관이 좋습니다.

정답 ②

문자 원소와 숫자를 원자 벡터로 결합하면 숫자도 문자로 강제 변환됩니다.

정답 ④

R의 인덱스는 보통 1부터 시작합니다. x[1]은 첫 원소, x[-1]은 첫 원소를 제외한 벡터입니다. 논리 벡터로 조건을 적용할 수도 있습니다. 데이터프레임 d[행,열]에서는 쉼표 앞뒤 역할을 구분합니다. 양수와 음수 인덱스를 섞는 제한, 차원 축소의 동작 등도 주의합니다. Python의 0기반 인덱스와 섞지 마세요. 조건 벡터 길이와 NA가 포함된 경우를 확인해야 예상한 행만 선택할 수 있습니다.

정답 ①

음수 인덱스는 해당 위치를 제외하므로 첫 값 10이 빠집니다.

정답 ③

R에서 is.na(x)로 결측 여부를 검사합니다. x==NA는 일반적인 결측 검사 방법이 아닙니다. mean(x)는 NA가 포함되면 NA를 반환할 수 있고 na.rm=TRUE로 결측을 제외할 수 있습니다. 결측을 제외하는 것은 값을 0으로 바꾸는 것과 다릅니다. 제외 후 표본 크기가 어떻게 달라지는지 보고, 결측 발생이 특정 집단에 치우치지 않았는지도 살펴야 합니다.

정답 ①

NA를 제외한 두 값의 평균(10+20)/2=15입니다.

정답 ①

데이터프레임은 같은 행 수를 가진 열들로 구성되며 열마다 다른 자료형을 가질 수 있습니다. 팩터는 범주와 수준을 관리합니다. factor의 내부 정수 코드를 원래 숫자 값으로 오해하지 않도록 주의합니다. 집계와 모델에서 기준 수준이 계수 해석에 영향을 줄 수 있습니다. 범주에 순서가 있다는 정보는 ordered factor 등으로 명시하고 단순 코드 번호와 양적 크기를 구분하세요.

정답 ③

행을 공유하면서 열별로 다른 자료형을 담는 데이터프레임이 적합합니다.

정답 ①

분석용 표는 한 행의 단위와 기준 시점이 명확해야 합니다. 고객별 월 매출이면 고객×월이 유일한 행 단위입니다. 주문 상세를 조인한 뒤 고객 정보를 반복 집계하면 매출·건수가 부풀 수 있습니다. 파생 변수는 재현 가능한 규칙과 관찰 기간을 남깁니다. 최근 30일 구매 횟수를 만들 때 예측일 이후 거래가 포함되지 않는지 확인하고, 고객별 집계 뒤 조인하는 방식으로 중복 위험을 줄일 수 있습니다.

정답 ①

분석 단위와 시점을 맞추어 중복과 미래 정보 누수를 방지해야 합니다.

정답 ①

MCAR는 결측 여부가 관측·비관측 값과 무관한 경우, MAR은 관측된 변수로 결측 발생을 설명할 수 있는 경우, MNAR은 결측 값 자체와 관련될 수 있는 경우입니다. 결측률만 보고 처리 방법을 확정하지 않습니다. 고소득자가 소득 응답을 피한다면 단순 평균 대체가 분포를 왜곡할 수 있습니다. MAR은 아무 조건 없이 완전히 무작위라는 뜻이 아니며, 관측 변수에 조건부라는 점이 중요합니다.

정답 ④

결측 여부가 관측되지 않은 소득 값 자체와 관련될 수 있으므로 MNAR을 의심합니다.

정답 ④

평균·중앙값·최빈값 대체와 행·열 삭제는 각각 장단점이 있습니다. 평균 대체는 분산을 줄일 수 있고, 중앙값은 극단값에 덜 민감합니다. 결측 지시 변수를 추가하는 방법도 있지만 모든 문제에서 성능을 보장하지 않습니다. 대체 값은 학습 자료에서 추정한 뒤 검증·시험 자료에 적용합니다. 전체 자료 평균을 미리 구하면 검증 정보가 학습 절차에 들어가는 누수가 발생합니다.

정답 ④

학습 자료 평균(10+20)/2=15를 정하고 검증 자료에도 같은 값을 적용합니다.

정답 ④

IQR=Q3-Q1이며 대표적인 탐색 기준은 Q1-1.5IQR 미만 또는 Q3+1.5IQR 초과입니다. 이는 이상 후보를 찾는 규칙이지 그 값이 반드시 오류라는 증거는 아닙니다. 진짜 고액 주문이나 드문 사고도 극단값일 수 있습니다. 삭제 전 원본과 발생 원인을 확인하고 분석 목적에 따라 유지·변환·절단을 검토합니다. 사분위수 계산 방식은 도구별 차이가 있을 수 있으므로 예제에서 Q1·Q3를 주면 그 값을 사용합니다.

정답 ③

IQR=10, 위쪽 경계=20+1.5×10=35입니다.

정답 ③

표준화 z=(x-평균)/표준편차, min-max 변환=(x-min)/(max-min)으로 구분합니다. 표준화가 분포를 정규분포로 바꾸는 것은 아닙니다. 거리 기반 모델은 변수의 단위가 거리 계산을 지배하지 않도록 스케일을 고려해야 합니다. 변환 모수는 학습 자료에서 구합니다. min-max 변환을 해도 미래 값이 학습 최댓값을 넘으면 1보다 커질 수 있습니다. 분모가 0인 상수 변수의 처리도 필요합니다.

정답 ①

(70-50)/10=2입니다.

정답 ③

분리 후 전처리 적합이 기본입니다. 결측 대체·스케일러·변수 선택 등을 전체 자료에 맞춘 뒤 나누면 평가 대상 정보가 학습에 유입될 수 있습니다. 교차검증에서도 각 폴드 안에서 전처리를 학습해야 합니다. 고객 중복·시간 순서·가족 단위처럼 데이터 간 의존성이 있으면 무작위 분리만으로 충분하지 않을 수 있습니다. 시간 예측은 미래를 과거 학습에 섞지 않는 분리 전략을 검토합니다.

정답 ④

변수 선택이 검증 결과를 미리 참고했으므로 교차검증 성능이 낙관적일 수 있습니다.

정답 ③

명목·서열·등간·비율 척도는 허용되는 해석이 다릅니다. 혈액형은 명목, 만족도 등급은 서열, 섭씨 온도는 등간, 길이·무게는 비율의 대표 사례입니다. 절대 영점이 있는지에 따라 배수 해석이 달라집니다. 섭씨 20도가 10도의 두 배로 덥다고 해석할 수는 없습니다. 숫자 코드를 부여했다고 척도 성격이 바뀌지 않으며, 순서형 자료의 간격을 같다고 가정하는 분석은 근거를 검토해야 합니다.

정답 ①

무게는 절대 영점을 가지므로 20kg을 10kg의 두 배라고 해석할 수 있습니다.

정답 ①

평균은 모든 값의 합을 개수로 나누고 극단값에 민감합니다. 중앙값은 정렬한 가운데 값이며 극단값의 크기 변화에 상대적으로 덜 민감합니다. 짝수 개 관측의 중앙값은 가운데 두 값의 평균으로 계산하는 기본 정의를 사용합니다. 분포가 심하게 비대칭이면 평균·중앙값이 다를 수 있습니다. 어느 하나만 항상 옳다고 보기보다 분석 목적과 분포를 함께 보고 대표값을 선택하세요.

정답 ④

합계 106을 4로 나눈 26.5가 평균, 가운데 2와 3의 평균 2.5가 중앙값입니다.

정답 ②

표본분산은 평균으로부터 편차 제곱합/(n-1)으로 계산하는 불편 추정량을 많이 사용합니다. 모집단 전체의 분산은 N으로 나누는 정의를 씁니다. 표준편차는 분산의 제곱근으로 원자료와 같은 단위를 가집니다. 편차의 합은 0이므로 단순 편차 합만으로 흩어짐을 측정할 수 없습니다. 분산은 단위가 제곱되고, 모든 값에 상수를 더하면 분산은 바뀌지 않지만 상수를 곱하면 그 제곱만큼 바뀝니다.

정답 ①

제곱편차합은 1+0+1=2이고 n-1=2로 나누면 1입니다.

정답 ②

공분산은 함께 증가·감소하는 방향을 나타내지만 단위에 영향을 받습니다. 피어슨 상관계수는 표준화한 선형 관계 지표로 -1~1 범위를 가집니다.0이면 선형 관계가 없다는 뜻이지 모든 종류의 관계가 없다는 뜻은 아닙니다. 이상값과 비선형 관계를 산점도로 확인하세요. 상관은 인과의 증거가 아니며 집단을 합쳤을 때와 나누었을 때 관계가 달라지는 상황도 있을 수 있습니다.

정답 ①

U자형 결정 관계가 있어도 대칭 때문에 선형 공분산은 0일 수 있습니다.

정답 ①

왜도는 비대칭 방향을, 변동계수=표준편차/평균은 평균 대비 상대적 흩어짐을 나타냅니다. 오른쪽 꼬리가 길면 일반적으로 양의 왜도입니다. 변동계수는 의미 있는 0과 양의 평균 등 적용 조건을 검토합니다. 평균이 0에 가깝거나 음수이면 변동계수 해석이 불안정할 수 있습니다. 단위가 다른 자료의 상대 변동을 비교할 때도 분포와 측정 척도를 함께 확인하세요.

정답 ④

20/100=0.2로 평균의 20% 수준의 표준편차입니다.

정답 ①

P(A|B)=P(A∩B)/P(B)이며 P(B)>0을 전제로 합니다. 독립이면 P(A∩B)=P(A)P(B)입니다. 서로 동시에 일어나지 않는 배반과 독립은 다릅니다. 두 사건 확률이 양수이고 배반이면 일반적으로 독립이 아닙니다. 조건이 붙으면 표본공간의 분모가 달라집니다. 전체 100명 중 B가 20명이고 그중 A가 5명이면 P(A|B)=5/20이지 5/100이 아닙니다.

정답 ③

B인 20명 가운데 A도 만족하는 5명을 세므로 5/20=0.25입니다.

정답 ①

P(A|B)=P(B|A)P(A)/P(B)는 증거를 관찰한 뒤 사전확률을 갱신하는 식입니다. 진단 검사에서 민감도가 높아도 질병 유병률이 낮으면 양성자의 실제 질병 확률은 낮을 수 있습니다. P(양성|질병)과 P(질병|양성)은 반대 방향의 조건부확률입니다. 혼동하기 쉬우므로 10,000명 같은 자연 빈도 표로 바꿔 진짜 양성과 거짓 양성을 세어 보세요.

정답 ③

진짜 양성 9명과 거짓 양성 99명이므로 9/(9+99)=약 8.33%입니다.

정답 ③

이항분포는 독립적인 고정 n회 시행에서 동일 성공 확률 p의 성공 횟수를 다룹니다. 평균np,분산np(1-p)입니다. 포아송분포는 일정 구간 사건 수의 모델로 평균과 분산이 λ라는 특징이 있습니다. 시험에서 시행 독립·성공확률 일정 같은 전제를 먼저 확인합니다. 판매 건수라고 무조건 포아송인 것은 아니며 시간에 따라 발생률이 변하면 모델 적합성을 검토해야 합니다.

정답 ③

평균 100×0.2=20,분산 100×0.2×0.8=16입니다.

정답 ①

정규분포는 평균을 중심으로 대칭이며 평균과 분산으로 위치·흩어짐을 정합니다. Z=(X-μ)/σ로 표준화하면 표준정규분포를 사용합니다. 일반 자료를 z점수로 바꾸는 것만으로 원래 비정규 분포가 정규분포가 되는 것은 아닙니다. 정규분포 가정 아래 평균±약 1.96표준편차 범위가 약 95%를 포함한다는 해석과, 모평균 추정의 표준오차 범위를 구분하세요. 관측값의 흩어짐 σ와 평균 추정의 σ/√n은 다릅니다.

정답 ③

(130-100)/15=2입니다.

정답 ③

독립·동일분포와 유한 분산 등 적절한 조건에서 표본 크기가 커지면 표본평균의 분포가 정규분포에 가까워집니다. 원자료 자체가 정규분포로 바뀐다는 뜻은 아닙니다. 표본평균 표준오차는 σ/√n입니다. n을 4배로 늘리면 표준오차는 절반이 됩니다. 표본 수가 크다는 사실이 수집 편향을 없애지는 않으며, 강한 의존성이나 매우 무거운 꼬리에서는 단순 적용에 주의합니다.

정답 ①

20/√100=20/10=2입니다.

정답 ①

탐색은 분포·관계·이상 패턴을 찾고 설명은 검증한 메시지를 전달합니다. 탐색에서 발견한 상관을 곧바로 인과로 옮기지 않습니다. 최종 보고는 독자와 질문에 맞게 구성합니다. 무엇을 비교할지 한 문장으로 정한 뒤 차트를 고릅니다.

정답 ④

시각적 패턴은 가설의 단서입니다.

정답 ③

막대는 범주별 크기, 히스토그램은 연속값의 구간별 분포를 보여 줍니다. 구간 폭이 모양에 영향을 줍니다. 평균뿐 아니라 표본 수와 변동을 함께 봅니다. 작은 집단의 큰 평균 차이는 불확실성이 클 수 있습니다.

정답 ③

구간별 빈도로 분포를 볼 수 있습니다.

정답 ①

산점도는 두 양적 변수의 관계, 선그래프는 시간 변화를 보는 기본 도구입니다. 무관한 범주를 선으로 이으면 연속 변화처럼 보일 수 있습니다. 시간 간격과 누락을 확인합니다. 집단이 많으면 작은 여러 그림이나 선택 필터를 검토합니다.

정답 ①

데이터 없음과 실제 0은 다릅니다.

정답 ③

막대 길이 비교에는 0 기준선이 중요합니다. 축 절단을 명확히 밝히고 이중축의 과장 가능성을 주의합니다. 비율에는 분모와 기간을 표시합니다.10%→15%는 5%p 상승이고 상대적으로 50% 증가입니다.

정답 ①

차이 5%p를 기존 10%로 나누면 50%입니다.

정답 ④

메시지·근거·행동·성과 지표를 연결합니다. 정의·대상·갱신 시점·필터를 표시해야 같은 조건의 수치인지 알 수 있습니다. 실시간이라는 제목만으로 최신성이 보장되지 않습니다. 과거와 실시간 자료의 기준 시점 차이를 설명합니다.

정답 ①

최신성과 기간이 다르면 동일 조건처럼 비교하면 안 됩니다.

• 5점:예측 시점과 목표 기간을 정의하고 미래 정보와 고객 중복을 방지한 분할을 제시합니다.
• 5점:정밀도·재현율·PR 관점과 오류 비용에 맞는 임계값 선택을 설명합니다.
• 5점:필요 변수·접근 권한·가명처리와 재식별 위험 점검을 제시합니다.
• 5점:입력 스키마·분포·확정 성능·실패율·롤백과 재학습 기준을 제시합니다.