불균형한 데이터의 기준선, 다음 실험으로 이어지는 회고

대부분이 같은 클래스인 데이터에서는 아무것도 구분하지 않는 모델도 높은 정확도를 보일 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

클래스 비율과 단순한 기준선의 결과를 먼저 적는다. 어느 종류의 실수가 더 큰 비용을 만드는지에 따라 적절한 지표와 평가 집단을 선택한다.

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.dummy import DummyClassifier
from sklearn.metrics import balanced_accuracy_score

baseline = DummyClassifier(strategy='most_frequent')
baseline.fit(X_train, y_train)
score = balanced_accuracy_score(y_test, baseline.predict(X_test))

다수 클래스만 예측한 기준선과 모델의 클래스별 결과를 나란히 비교한다.

놓치기 쉬운 조건

정확도 하나만으로 소수 클래스의 실패를 발견하기 어렵다. 가중치를 조정한 뒤에도 실제 서비스에서 만나는 클래스 비율로 평가해야 한다.

확인할 부분	살펴볼 내용
기준 동작	다수 클래스만 예측한 기준선과 모델의 클래스별 결과를 나란히 비교한다.
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.