텍스트 분류의 TF-IDF 기준선, 변경 전후를 비교하는 방법

텍스트 문제에서 복잡한 모델부터 선택하면 데이터와 평가의 기본 문제를 놓치기 쉽다.

개선한 코드가 더 좋아 보인다는 인상과 실제 동작의 개선은 구분해야 한다. 입력과 실행 조건이 다르면 차이의 원인을 알기 어렵다. 이번 기록에서는 비교 기준을 먼저 정하고, 바꾼 부분이 기대한 효과를 냈는지 확인하는 절차를 다룬다.

같은 조건에서 얻은 증거

단어 빈도와 문서 빈도를 이용한 TF-IDF를 작은 기준선으로 사용한다. 토큰화와 전처리 규칙을 명시하고 어휘는 학습 문서에서만 구축한다.

이번에 확인할 질문: 관찰한 차이를 이번 변경 때문이라고 설명할 만큼 비교 조건이 같은가?

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.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(min_df=2, ngram_range=(1, 2))
train_matrix = vectorizer.fit_transform(train_documents)
test_matrix = vectorizer.transform(test_documents)

새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 확인한다.

놓치기 쉬운 조건

기본 토큰화가 모든 언어에 적합한 것은 아니다. 한국어에서는 형태 변화와 띄어쓰기, 도메인 용어가 표현에 어떤 영향을 주는지 확인한다.

확인할 부분	살펴볼 내용
기준 동작	새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 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. 바꾸기 전 결과를 보관하고 같은 입력을 다시 사용한다.
2. 좋아진 부분뿐 아니라 유지되어야 할 동작도 함께 비교한다.
3. 효과가 확인되지 않으면 추가 복잡도를 받아들일 이유를 다시 검토한다.

비교 결과는 특정 조건에서 얻은 증거다. 이를 모든 사용자와 모든 실행 환경으로 곧바로 확대하지 않는다. 입력의 크기와 조건을 함께 남겨야 다른 상황에서 다시 검증할 때도 출발점으로 사용할 수 있다.