텍스트 분류의 TF-IDF 기준선, 대안을 선택하는 기준 정리

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

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

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

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.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. 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.