복잡한 모델 앞의 단순한 기준선, 작은 재현 예제로 좁혀 가기

복잡한 모델이 돌아간다는 사실만으로 유용한 예측을 만든다고 판단하기 어렵다.

화면이나 실행 결과가 예상과 다를 때 전체 시스템을 한꺼번에 설명하려 하면 단서가 흐려진다. 관련 없는 의존성을 덜어 내고 조건을 하나씩 바꾸면 어느 가정이 깨졌는지 볼 수 있다. 이번에는 원인을 단정하기 전에 비교 가능한 최소 예제를 만드는 과정을 정리한다.

변수를 줄이는 순서

평균, 중앙값, 이전 시점의 값처럼 단순한 기준선을 먼저 만든다. 새 모델이 추가하는 학습과 운영 비용을 감수할 만큼 개선되는지 같은 데이터에서 비교한다.

이번에 확인할 질문: 한 가지 조건만 바꾸었을 때 관찰 결과도 함께 바뀌는가?

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 DummyRegressor
from sklearn.metrics import mean_absolute_error

baseline = DummyRegressor(strategy='median').fit(X_train, y_train)
error = mean_absolute_error(y_test, baseline.predict(X_test))
print(error)

기준선과 후보 모델에 같은 평가 입력과 지표를 적용하고 실패하는 사례도 함께 비교한다.

놓치기 쉬운 조건

기준선의 값도 학습 데이터에서 구해야 한다. 평가 구간의 중앙값을 사용하면 실제 서비스에서 얻을 수 없는 정보를 사용하게 된다.

확인할 부분	살펴볼 내용
기준 동작	기준선과 후보 모델에 같은 평가 입력과 지표를 적용하고 실패하는 사례도 함께 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. 문제가 드러나는 입력과 순서를 먼저 고정한다.
2. 의존성이나 옵션을 하나씩 제거하고 같은 결과가 남는지 확인한다.
3. 원인을 설명하는 가장 작은 차이를 회귀 확인 항목으로 남긴다.

재현 예제의 목적은 짧은 코드를 자랑하는 데 있지 않다. 설명에 필요한 조건을 남기는 것이 목적이다. 실제 경로로 돌아왔을 때도 같은 원인과 해결책이 성립하는지 마지막으로 확인해야 재현 과정이 유용한 기록이 된다.