사용자 단위로 데이터를 분리하기, 대안을 선택하는 기준 정리

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

문제를 푸는 방법이 둘 이상이면 기능의 개수만 비교하기 쉽다. 하지만 운영 중 설명할 수 있는지, 실패했을 때 되돌릴 수 있는지, 다음 동료가 고칠 수 있는지도 선택의 일부다. 이번에는 현재 조건에서 필요한 성질과 감수할 비용을 나누어 적는다.

장점과 비용을 함께 보기

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

이번에 확인할 질문: 선택한 방법의 장점이 지금의 제약과 실제로 연결되어 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.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. 필수 조건과 있으면 좋은 조건을 분리한다.
2. 선택하지 않은 대안이 유리해지는 상황도 한 가지 적는다.
3. 조건이 바뀌면 결정을 다시 검토할 시점을 남긴다.

다른 방법을 배제한 이유가 기록되어 있으면 같은 논의를 처음부터 반복하지 않아도 된다. 선택은 환경에 따라 달라질 수 있다. 무엇을 포기했는지 설명하는 문장이 구현을 이해하는 데 오히려 더 직접적인 도움이 될 때가 많다.