정밀도와 재현율의 질문, 유지보수할 때 남겨 둘 예제

모델을 개선했다는 말이 어떤 종류의 실수를 줄였다는 뜻인지 분명하지 않을 수 있다.

시간이 지나면 왜 이렇게 구현했는지보다 어떻게 실행하는지만 남기기 쉽다. 옵션과 제약을 잊은 채 코드를 정리하면 의도했던 동작까지 바뀔 수 있다. 이번에는 작은 예제를 실행 가능한 설명으로 남기고, 구현이 달라져도 유지할 부분을 분리한다.

다시 읽을 수 있는 최소 맥락

정밀도는 양성이라고 판단한 것 중 맞은 비율을, 재현율은 실제 양성 중 찾아낸 비율을 묻는다. 두 지표를 업무의 확인 비용과 놓침 비용에 연결해 읽는다.

이번에 확인할 질문: 내부 구조를 바꾸더라도 이 예제가 설명하는 결과는 그대로 유지되어야 하는가?

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.metrics import precision_score, recall_score

precision = precision_score(y_true, y_pred, zero_division=0)
recall = recall_score(y_true, y_pred, zero_division=0)
print({'precision': precision, 'recall': recall})

오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 확인한다.

놓치기 쉬운 조건

분모가 없는 집단에서 표시할 값과 경고 정책을 정해야 한다. 한 지표만 좋아졌다는 이유로 전체 품질이 나아졌다고 결론내리지 않는다.

확인할 부분	살펴볼 내용
기준 동작	오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 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. 구현 세부 사항보다 외부에서 관찰하는 결과를 적는다.
2. 예제가 의존하는 입력과 환경을 가까이에 둔다.
3. 설명이 실제 동작과 달라지면 코드와 예제를 같은 변경에서 고친다.

오래 남는 문서는 가장 긴 문서가 아니라 다시 확인할 수 있는 문서다. 선택의 이유와 작동하는 예제가 함께 있으면 새로운 구현으로 옮길 때도 기준을 잃지 않는다. 중복 설명을 늘리기보다 정본이 어디인지 분명히 하는 편이 유지 비용을 줄인다.