시간 순서를 지키는 평가, 다음 실험으로 이어지는 회고

미래 값을 예측하는 문제를 무작위로 나누면 미래 정보가 과거의 학습에 섞일 수 있다.

하나의 예제를 이해했다고 주제 전체를 해결한 것은 아니다. 확인한 범위와 아직 모르는 범위를 나누어야 다음 시도가 반복 작업으로 끝나지 않는다. 이번 기록에서는 앞서 정리한 원칙을 다시 적용하고, 남은 가정을 확인할 작은 실험으로 연결한다.

결론보다 남은 질문

학습은 과거 구간, 평가는 그 뒤의 구간으로 나눈다. 피처를 만들 때도 해당 시점에 실제로 알 수 있었던 데이터만 사용해야 한다.

이번에 확인할 질문: 이번 확인으로 알게 된 사실과 아직 검증하지 않은 가정을 구분했는가?

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 TimeSeriesSplit

splitter = TimeSeriesSplit(n_splits=3)
for train_idx, test_idx in splitter.split(X):
    assert train_idx.max() < test_idx.min()
    print(len(train_idx), len(test_idx))

각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 확인한다.

놓치기 쉬운 조건

행이 이미 시간순으로 정렬되어 있다는 전제가 필요하다. 집계 창이나 정답 생성 과정이 미래 값을 포함하지 않았는지도 따로 점검한다.

확인할 부분	살펴볼 내용
기준 동작	각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 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. 실제로 확인한 결과를 조건과 함께 한 문장으로 남긴다.
2. 다른 입력이나 환경에서 달라질 가능성이 있는 가정을 고른다.
3. 다음 시도에서 한 번에 바꿀 변수 하나와 관찰 방법을 정한다.

회고가 큰 결심으로 끝나면 실행 여부를 확인하기 어렵다. 다음에 바꿀 입력 하나와 기대하는 결과 하나를 정해 두는 편이 좋다. 작은 검증이 쌓이면 주제를 다시 만났을 때 처음부터 추측하지 않고 이전의 증거 위에서 판단할 수 있다.