사용자 단위로 데이터를 분리하기, 다음 실험으로 이어지는 회고

같은 사용자의 기록이 학습과 평가에 나뉘어 있으면 새 사용자에 대한 성능을 과대평가할 수 있다.

하나의 예제를 이해했다고 주제 전체를 해결한 것은 아니다. 확인한 범위와 아직 모르는 범위를 나누어야 다음 시도가 반복 작업으로 끝나지 않는다. 이번 기록에서는 앞서 정리한 원칙을 다시 적용하고, 남은 가정을 확인할 작은 실험으로 연결한다.

결론보다 남은 질문

서로 관련된 행을 하나의 그룹으로 묶고 그룹을 기준으로 분리한다. 평가 대상이 새 사용자인지 기존 사용자의 새 사건인지 먼저 정해야 한다.

이번에 확인할 질문: 이번 확인으로 알게 된 사실과 아직 검증하지 않은 가정을 구분했는가?

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 GroupShuffleSplit

splitter = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(splitter.split(X, y, groups=user_ids))
assert set(user_ids[train_idx]).isdisjoint(set(user_ids[test_idx]))

학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 확인한다.

놓치기 쉬운 조건

그룹 분리가 모든 상황의 정답은 아니다. 실제 적용 대상과 다른 분할을 사용하면 필요 이상으로 어렵거나 쉬운 평가가 될 수 있다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 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. 실제로 확인한 결과를 조건과 함께 한 문장으로 남긴다.
2. 다른 입력이나 환경에서 달라질 가능성이 있는 가정을 고른다.
3. 다음 시도에서 한 번에 바꿀 변수 하나와 관찰 방법을 정한다.

회고가 큰 결심으로 끝나면 실행 여부를 확인하기 어렵다. 다음에 바꿀 입력 하나와 기대하는 결과 하나를 정해 두는 편이 좋다. 작은 검증이 쌓이면 주제를 다시 만났을 때 처음부터 추측하지 않고 이전의 증거 위에서 판단할 수 있다.