전처리에서 생기는 데이터 누수, 실패를 설명할 단서 남기기

모델에 평가 데이터를 직접 넣지 않았어도 전처리 단계에서 평가 정보가 전달될 수 있다.

실패했다는 사실만으로는 다음 행동을 정하기 어렵다. 어떤 입력으로 어디까지 진행했으며 무엇을 기대했는지가 함께 있어야 한다. 이번에는 성공 여부를 표시하는 데서 한 걸음 더 나아가, 다음 사람이 같은 조건을 확인할 수 있도록 관찰 항목을 정리한다.

결과와 원인을 구분하는 기록

평균이나 분산처럼 데이터에서 추정하는 값은 학습 구간에서만 구한다. 변환기의 학습과 적용을 파이프라인으로 묶으면 분할마다 경계를 유지하기 쉽다.

이번에 확인할 질문: 결과만 전달받은 사람이 원래 입력과 기대 동작을 복원할 수 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.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

model = make_pipeline(StandardScaler(), LogisticRegression())
model.fit(X_train, y_train)
prediction = model.predict(X_test)

각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 확인한다.

놓치기 쉬운 조건

전체 데이터로 표준화한 다음 분리하면 평가 분포의 정보가 이미 변환에 사용된다. 피처 선택과 결측값 대체도 같은 경계를 따라야 한다.

확인할 부분	살펴볼 내용
기준 동작	각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 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. 기대 결과와 실제 결과를 서로 다른 칸에 적는다.
2. 개인정보나 비밀값을 제외하고 재현에 필요한 조건만 남긴다.
3. 관찰 사실과 원인에 대한 가설을 구분해 후속 확인을 정한다.

기록을 많이 남기는 것과 유용하게 남기는 것은 다르다. 원인을 좁히는 데 쓰이지 않는 항목은 줄이고, 누락 때문에 다시 묻게 되는 조건은 보완한다. 관찰할 수 있는 범위가 분명해지면 실패한 상황에서도 다음 실험을 작게 잡을 수 있다.