학습 데이터와 평가 데이터 나누기, 대안을 선택하는 기준 정리

같은 데이터로 학습과 평가를 모두 하면 모델이 새로운 입력을 얼마나 잘 처리하는지 알기 어렵다.

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

평가에 사용할 데이터를 먼저 분리하고 최종 판단까지 보관한다. 데이터의 시간이나 사용자 그룹에 관계가 있으면 단순 무작위 분할이 적절한지도 따져야 한다.

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.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42,
    stratify=y,
)

학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 확인한다.

놓치기 쉬운 조건

평가 점수를 보면서 같은 평가 데이터에 맞춰 계속 설계를 바꾸면 사실상 학습에 사용한 셈이 된다. 별도의 검증 단계와 최종 평가를 구분한다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 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.