불균형한 데이터의 기준선, 유지보수할 때 남겨 둘 예제

대부분이 같은 클래스인 데이터에서는 아무것도 구분하지 않는 모델도 높은 정확도를 보일 수 있다.

시간이 지나면 왜 이렇게 구현했는지보다 어떻게 실행하는지만 남기기 쉽다. 옵션과 제약을 잊은 채 코드를 정리하면 의도했던 동작까지 바뀔 수 있다. 이번에는 작은 예제를 실행 가능한 설명으로 남기고, 구현이 달라져도 유지할 부분을 분리한다.

다시 읽을 수 있는 최소 맥락

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

이번에 확인할 질문: 내부 구조를 바꾸더라도 이 예제가 설명하는 결과는 그대로 유지되어야 하는가?

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. 구현 세부 사항보다 외부에서 관찰하는 결과를 적는다.
2. 예제가 의존하는 입력과 환경을 가까이에 둔다.
3. 설명이 실제 동작과 달라지면 코드와 예제를 같은 변경에서 고친다.

오래 남는 문서는 가장 긴 문서가 아니라 다시 확인할 수 있는 문서다. 선택의 이유와 작동하는 예제가 함께 있으면 새로운 구현으로 옮길 때도 기준을 잃지 않는다. 중복 설명을 늘리기보다 정본이 어디인지 분명히 하는 편이 유지 비용을 줄인다.