사용자 단위로 데이터를 분리하기, 먼저 지킬 계약을 적어 보기

같은 사용자의 기록이 학습과 평가에 나뉘어 있으면 새 사용자에 대한 성능을 과대평가할 수 있다.

새로운 기능을 붙일 때 구현 방법부터 고르면 무엇을 확인해야 하는지 뒤늦게 고민하게 된다. 이번 기록에서는 입력과 결과 사이에 반드시 유지할 약속을 먼저 적고, 작은 예제로 그 약속을 확인한다. 복잡한 설계보다 같은 동작을 다시 설명할 수 있는 기준 하나가 출발점이다.

동작보다 먼저 정할 기준

서로 관련된 행을 하나의 그룹으로 묶고 그룹을 기준으로 분리한다. 평가 대상이 새 사용자인지 기존 사용자의 새 사건인지 먼저 정해야 한다.

이번에 확인할 질문: 입력과 실행 순서가 같을 때, 다른 동료도 같은 결과를 예상할 수 있는가?

작게 확인하는 예제

다음 예제는 핵심 조건을 드러내기 위한 출발점이다. 서비스의 전체 구현을 대신하지 않으므로 실제 입력 범위와 실패 처리 규칙을 함께 읽어야 한다.

from sklearn.model_selection import GroupShuffleSplit

splitter = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(splitter.split(X, y, groups=user_ids))
assert set(user_ids[train_idx]).isdisjoint(set(user_ids[test_idx]))

학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 확인한다.

놓치기 쉬운 조건

그룹 분리가 모든 상황의 정답은 아니다. 실제 적용 대상과 다른 분할을 사용하면 필요 이상으로 어렵거나 쉬운 평가가 될 수 있다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 확인한다.
비교 조건	입력과 실행 순서를 고정하고 한 번에 한 조건만 바꾼다.
적용 범위	예제가 생략한 의존성과 실제 서비스의 제약을 구분한다.

다음 변경에 적용할 순서

1. 사용자에게 보이는 결과를 한 문장으로 적는다.
2. 정상 입력 하나와 경계 입력 하나를 같은 조건에서 비교한다.
3. 설명이 달라지는 부분을 코드나 문서의 명시적인 규칙으로 옮긴다.

처음 정한 계약은 영원한 정답이 아니다. 다만 바꾸려면 어떤 사용자가 영향을 받는지 함께 설명할 수 있어야 한다. 오늘의 기준을 짧게 남겨 두면 다음 변경에서 구현 취향과 제품의 약속을 구분하기 쉬워진다.