방법론 해설¶
본 챕터는 어떻게의 뒤에 있는 왜 — QMaxent의 기본값을 정당화하는 학술적 추론을 정리합니다. 모델 선택을 이해하거나 인용하고 싶은 사용자를 위한 것이며, 처음 사용자에게는 사용 가이드 챕터들이 우선입니다.
Maxent와 최대 엔트로피 원리¶
Maxent는 출현 위치에서 관측된 경험적 모멘트와 일치하는 최대 엔트로피 분포를 적합합니다 (Phillips, Anderson & Schapire 2006). 직관적으로: 출현 표본과 동일한 환경 변수 평균값을 만드는 연구 영역 상의 모든 분포 가운데, 최대 엔트로피 분포는 가장 정보가 적은 것 — 데이터가 실제로 말하는 것 너머에는 가정을 추가하지 않는 분포입니다.
이 추정량은 출현-배경 대조에 적합된 정규화 비균질 포아송 점-과정 모델과 수학적으로 동등하며 (Fithian & Hastie 2013), 이 동등성이 elapid의 구현이 최적화를 scikit-learn의 로지스틱-회귀 루틴에 위임할 수 있게 해줍니다 (Anderson 2023; Pedregosa et al. 2011).
피처 선택을 위한 maxnet 자동 규칙¶
Maxent 피처 클래스(Linear, Quadratic, Product, Hinge, Threshold)는 유연성과 과적합 위험 사이의 절충입니다. Phillips & Dudík 2008의 수백 종에 대한 벤치마크는 표본 크기 기반 규칙을 확립했고, 이후의 벤치마크에서도 이 규칙은 유지되었습니다:
| 표본 크기 | 허용 피처 |
|---|---|
| ≤ 10 | L |
| ≤ 30 | L, Q |
| ≤ 80 | L, Q, H |
| > 80 | L, Q, P, H, T |
QMaxent의 Auto 모드는 이 규칙을 직접 적용합니다. 이 규칙의 근거가 되는 벤치마크는 Maxent 문헌에서 가장 광범위하게 복제된 튜닝 권고이며, ENMeval 식 (Muscarella et al. 2014) hyperparameter 검색 없이 이 규칙을 벗어나는 것은 발표에서 정당화하기 어렵습니다.
공간 교차검증이 중요한 이유¶
Random K-Fold CV는 무작위 폴드가 학습 점에 지리적으로 인접한 점을 포함할 가능성이 높기 때문에 공간 데이터에서 과도하게 낙관적인 AUC를 산출합니다. 공간 자기상관이 holdout 점을 사소하게 예측 가능하게 만듭니다.
Roberts et al. 2017은 많은 SDM 벤치마크에서 이를 경험적으로 입증: random-K-Fold AUC는 새로운 지역에서 실제로 보이는 성능을 0.05–0.15만큼 체계적으로 과대 추정합니다. 그들은 모든 공간 모델에서 공간 블록 CV를 기본값으로 권고합니다.
따라서 QMaxent는 Geographic K-Fold (k = 5, 고정 시드) — Roberts et al. 권장 설계 — 를 기본값으로 합니다. Random K-Fold는 오래된 연구의 정확한 재현을 허용하기 위해서만 제공됩니다.
폴드별 vs 통합 AUC¶
폴드 전체에 대한 두 요약 통계가 흔히 보고됩니다:
- 폴드별 AUC 후 평균 — 각 폴드 내에서 AUC를 계산, 폴드 간 평균, 평균 ± SD 보고.
- 통합 AUC — 폴드 전체의 holdout 예측을 연결, 단일 AUC 계산.
QMaxent는 폴드별 평균 ± SD를 헤드라인 숫자로 보고합니다 — 폴드 간 분산을 담고 있고, 그 자체가 정보적 진단이기 때문입니다 — 높은 분산은 모델의 지리적 전이성이 불안정함을 신호합니다. 통합 AUC 대안은 부 메트릭으로 XLSX의 Table 3에 포함됩니다.
Jackknife 변수 중요도¶
고전적 Maxent jackknife (Phillips, Anderson & Schapire 2006)는 변수마다 두 개의 추가 모델을 적합: 그 변수만 가진 모델(with-only)과 그 변수가 제거된 모델(without). 전체에서 without으로의 검증 AUC 하락은 다른 변수로부터 회복하기 어려운 고유 기여를 가진 변수를 식별합니다.
QMaxent는 변수당 네 개의 AUC(only-train, only-test, without-train, without-test)와 검증측 하락 열을 보고하며, 가장 고유하게 정보적인 변수가 맨 위에 오도록 하락 내림차순으로 정렬합니다. 이는 Phillips et al. 2006 이후 발표된 Maxent 문헌에서 사용된 형식입니다.
임계값 방법 (MTP / T10 / MaxSSS)¶
이진 적합/부적합 지도가 필요할 때 (예: 보호구역 설계 응용) cloglog 출력의 임계값을 선택해야 합니다. SDM 문헌은 세 가지 옵션으로 표준화됩니다 (Liu, Newell & White 2013):
- MTP — Minimum Training Presence — 학습 출현 지점 중 최저 cloglog 값. 가장 관대; 민감도 우선.
- T10 — 10번째 백분위수 학습 출현 — 학습 출현의 하위 10%를 이상치로 제거. 고전적 Java-MaxEnt 기본값.
- MaxSSS — Max Sensitivity + Specificity — 학습 ROC에서 민감도 + 특이도 합을 최대화하는 임계값. 발표된 비교 대부분에서 가장 좋은 보정.
QMaxent는 XLSX 내보내기의 Table 3에 세 가지 임계값을 모두 보고합니다. Java-MaxEnt 연구를 재현(T10)하거나 관대(MTP) 또는 엄격한 분류를 선호할 특정 이유가 없는 한 MaxSSS를 선택하세요.
출력 변환 비교¶
Spatial Projection에서 세 가지 출력 변환을 사용할 수 있습니다:
| 변환 | 범위 | 해석 |
|---|---|---|
| cloglog | 0–1 | 종의 일반적 표본을 가정한 출현 확률, Phillips et al. 2017 권장 기본값 |
| logistic | 0–1 | 더 오래된 Phillips & Dudík 2008 매개변수화; 일부 baseline에서 여전히 사용 |
| raw | 무한 | 정규화되지 않은 지수 출력; 고급 후처리 |
QMaxent는 cloglog를 기본값으로 합니다 — Phillips et al. 2017이 명시적으로 현대 기본값으로 권고하는 형태이고, "출현 확률" 해석이 모델링 비전문 이해당사자에게 가장 직접적으로 전달 가능하기 때문입니다.
범주형 변수 처리¶
Java MaxEnt는 래스터의 속성 테이블을 통해 범주형 래스터를 인코딩합니다; elapid는 내부적으로 one-hot 확장으로 인코딩합니다 (Anderson 2023). 두 접근은 학습에는 동등하지만, 래스터가 학습 중 보지 못한 클래스 코드를 포함할 때 투영 시점에 갈라집니다:
- Java MaxEnt는 보지 못한 코드를 무작위 클래스에 침묵으로 매핑하여 영향받는 셀에서 임의의 적합도 값을 만듭니다.
- QMaxent는 unified preflight 대화상자를 통해 보지 못한 코드를 감지하고 외삽 대신 NoData로 자동 마스킹합니다.
이는 권장 관행입니다 (Elith, Kearney & Phillips 2010) — 학습 영역을 벗어난 외삽은 근본적으로 정의되지 않으며 침묵으로 채워서는 안 되고 표시되어야 합니다.
표본 편향 보정¶
출현이 공간적으로 군집화될 때 (예: 도로 편향, 시민과학 군집), 모델은 종의 서식지 선호와 함께 편향 표면을 적합합니다. 두 보완적 보정이 존재합니다:
- 표본 가중치 다운웨이팅 (Phillips et al. 2009) — 군집화된 출현에 분수 가중치를 적용. QMaxent는 이를 Down-weight spatially clustered points 옵션으로 구현합니다.
- 외부 KDE 편향 래스터 — 명시적 공변량으로 사용되는, 조사 노력을 나타내는 래스터. QMaxent v0.1.x에서 구현되지 않음; 가장 가까운 유사물은 다운웨이트 옵션이며 많은 발표 연구에서 비슷하게 작동합니다.
더 포괄적인 처리를 위해 Boria et al. 2014는 모델링 전 보완 단계로 출현 레이어의 공간적 솎아내기를 권고합니다 — NNJoin 플러그인이나 standalone spThin 도구를 통해 QGIS에서 구현 가능.
왜 이런 선택인가¶
QMaxent에 모인 기본값은 (a) 벤치마크 문헌이 많은 종과 연구 영역에서 잘 작동한다고 보여주는 것과 (b) Roberts et al. 2017, Araújo et al. 2019, Elith, Kearney & Phillips 2010에 기록된 침묵의 실패 모드를 최소화하는 것의 합집합입니다. 이로부터의 분기는 특정 연구에는 올바른 움직임일 수도 있습니다; Pitta nympha 예제는 Lee et al. 2025의 LQH/RM=4 고정 hyperparameter 설정에 대해 그것이 어떻게 보이는지 보여줍니다.