예측 확률과 실제 빈도, 대안을 선택하는 기준 정리

높은 확률을 출력하는 모델이 그만큼 자주 맞는다고 바로 믿을 수는 없다.

문제를 푸는 방법이 둘 이상이면 기능의 개수만 비교하기 쉽다. 하지만 운영 중 설명할 수 있는지, 실패했을 때 되돌릴 수 있는지, 다음 동료가 고칠 수 있는지도 선택의 일부다. 이번에는 현재 조건에서 필요한 성질과 감수할 비용을 나누어 적는다.

장점과 비용을 함께 보기

확률 구간별 실제 발생 비율을 비교해 보정 상태를 살펴본다. 순위를 잘 매기는 능력과 확률을 해석 가능하게 제공하는 능력은 서로 다른 성질이다.

이번에 확인할 질문: 선택한 방법의 장점이 지금의 제약과 실제로 연결되어 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.calibration import calibration_curve

observed, predicted = calibration_curve(
    y_true, positive_probability,
    n_bins=5, strategy='quantile',
)
print(list(zip(predicted, observed)))

구간별 표본 수와 예측 평균, 실제 양성 비율을 같이 보고 어느 구간에서 차이가 큰지 확인한다.

놓치기 쉬운 조건

표본이 적은 구간의 비율은 흔들릴 수 있다. 확률 보정에도 학습에 쓰지 않은 데이터가 필요하며 실제 분포가 바뀌면 다시 확인해야 한다.

확인할 부분	살펴볼 내용
기준 동작	구간별 표본 수와 예측 평균, 실제 양성 비율을 같이 보고 어느 구간에서 차이가 큰지 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. 필수 조건과 있으면 좋은 조건을 분리한다.
2. 선택하지 않은 대안이 유리해지는 상황도 한 가지 적는다.
3. 조건이 바뀌면 결정을 다시 검토할 시점을 남긴다.

다른 방법을 배제한 이유가 기록되어 있으면 같은 논의를 처음부터 반복하지 않아도 된다. 선택은 환경에 따라 달라질 수 있다. 무엇을 포기했는지 설명하는 문장이 구현을 이해하는 데 오히려 더 직접적인 도움이 될 때가 많다.