[Feat] 형태소·문자 기반 피싱 분류 모델 추가 및 성능 비교

[pearseona]

🏷️ 이슈 유형

• feat : 새로운 기능 추가
• fix : 버그 수정
• refactor : 동작 변경 없는 구조 개선
• docs : README 등 문서 추가/수정
• chore : 설정, 빌드, 의존성 패키지 변경
• 기타 : 설명 추가 작성

💡기능

기존 Naive Bayes 모델에 형태소 기반 Logistic Regression과 문자 n-gram 기반 Linear SVM을 추가합니다.

동일한 학습-검증-테스트 데이터에서 각 모델의 성능을 측정하여 SafeFam 자체 텍스트 분류 모델의 성능을 비교합니다.

🛠️할 일 목록

• 중복·유사 메시지로 인한 데이터 누수를 방지하도록 학습·검증·테스트 데이터 분할 기준을 정리한다.
• 기존 띄어쓰기 기반 Naive Bayes의 기준 성능을 측정한다.
• 한국어 형태소 분석 전처리와 TF-IDF 파이프라인을 구현한다.
• 형태소 TF-IDF 기반 Logistic Regression 모델을 학습하고 저장한다.
• 문자 n-gram TF-IDF 기반 Linear SVM 모델을 학습하고 저장한다.
• 각 모델의 Precision, Recall, F1, F2, 혼동행렬과 평균 추론 시간을 측정한다.
• 동일 테스트셋을 사용한 모델별 성능 비교표를 생성한다.
• 학습 및 평가 방법과 모델 실행 방법을 문서화한다.
• 모델 로딩·전처리·예측 로직에 대한 테스트를 작성한다.

📌 참고 사항 / 제약 조건

• 모델별 성능 비교에는 동일한 최종 테스트셋을 사용합니다.
• 최종 테스트셋은 모델 학습과 하이퍼파라미터 조정에 사용하지 않습니다.
• 동일하거나 유사한 피싱 템플릿이 학습 데이터와 테스트 데이터에 동시에 포함되지 않도록 합니다.
• 형태소 분석이 항상 성능을 향상한다고 가정하지 않고 기존 모델과 수치로 비교합니다.
• 피싱 메시지를 정상으로 분류하는 False Negative를 중요하게 평가하므로 Recall과 F2-score를 주요 지표로 사용합니다.
• 기존 Naive Bayes 모델과 현재 분석 API의 동작을 유지해야 합니다.
• 모델 파일과 벡터라이저의 버전 및 재학습 방법을 기록합니다.