이상치 제거 전에 할 질문, 먼저 지킬 계약을 적어 보기

평균에서 멀리 떨어진 값을 모두 지우면 중요한 드문 사건까지 사라질 수 있다.

새로운 기능을 붙일 때 구현 방법부터 고르면 무엇을 확인해야 하는지 뒤늦게 고민하게 된다. 이번 기록에서는 입력과 결과 사이에 반드시 유지할 약속을 먼저 적고, 작은 예제로 그 약속을 확인한다. 복잡한 설계보다 같은 동작을 다시 설명할 수 있는 기준 하나가 출발점이다.

동작보다 먼저 정할 기준

이상한 값이 수집 오류인지 유효하지만 드문 사례인지 먼저 구분한다. 삭제 기준은 평가 데이터의 결과에 맞춰 조정하지 않고 업무 의미와 학습 데이터에서 정한다.

이번에 확인할 질문: 입력과 실행 순서가 같을 때, 다른 동료도 같은 결과를 예상할 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.

import numpy as np

q1, q3 = np.quantile(train_values, [0.25, 0.75])
iqr = q3 - q1
lower, upper = q1 - 1.5 * iqr, q3 + 1.5 * iqr
flagged = (train_values < lower) | (train_values > upper)

표시된 사례 몇 개를 원천 기록과 대조하고 제거 전후 어떤 집단이 줄어드는지 확인한다.

놓치기 쉬운 조건

사분위 범위 규칙은 검토 후보를 찾는 방법이지 오류 판정의 근거 자체는 아니다. 자연스럽게 긴 꼬리를 가진 분포에 그대로 적용하지 않는다.

확인할 부분	살펴볼 내용
기준 동작	표시된 사례 몇 개를 원천 기록과 대조하고 제거 전후 어떤 집단이 줄어드는지 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. 사용자에게 보이는 결과를 한 문장으로 적는다.
2. 정상 입력 하나와 경계 입력 하나를 같은 조건에서 비교한다.
3. 설명이 달라지는 부분을 코드나 문서의 명시적인 규칙으로 옮긴다.

처음 정한 계약은 영원한 정답이 아니다. 다만 바꾸려면 어떤 사용자가 영향을 받는지 함께 설명할 수 있어야 한다. 오늘의 기준을 짧게 남겨 두면 다음 변경에서 구현 취향과 제품의 약속을 구분하기 쉬워진다.