학습 데이터와 평가 데이터 나누기, 유지보수할 때 남겨 둘 예제

같은 데이터로 학습과 평가를 모두 하면 모델이 새로운 입력을 얼마나 잘 처리하는지 알기 어렵다.

시간이 지나면 왜 이렇게 구현했는지보다 어떻게 실행하는지만 남기기 쉽다. 옵션과 제약을 잊은 채 코드를 정리하면 의도했던 동작까지 바뀔 수 있다. 이번에는 작은 예제를 실행 가능한 설명으로 남기고, 구현이 달라져도 유지할 부분을 분리한다.

다시 읽을 수 있는 최소 맥락

평가에 사용할 데이터를 먼저 분리하고 최종 판단까지 보관한다. 데이터의 시간이나 사용자 그룹에 관계가 있으면 단순 무작위 분할이 적절한지도 따져야 한다.

이번에 확인할 질문: 내부 구조를 바꾸더라도 이 예제가 설명하는 결과는 그대로 유지되어야 하는가?

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 train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42,
    stratify=y,
)

학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 확인한다.

놓치기 쉬운 조건

평가 점수를 보면서 같은 평가 데이터에 맞춰 계속 설계를 바꾸면 사실상 학습에 사용한 셈이 된다. 별도의 검증 단계와 최종 평가를 구분한다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 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. 구현 세부 사항보다 외부에서 관찰하는 결과를 적는다.
2. 예제가 의존하는 입력과 환경을 가까이에 둔다.
3. 설명이 실제 동작과 달라지면 코드와 예제를 같은 변경에서 고친다.

오래 남는 문서는 가장 긴 문서가 아니라 다시 확인할 수 있는 문서다. 선택의 이유와 작동하는 예제가 함께 있으면 새로운 구현으로 옮길 때도 기준을 잃지 않는다. 중복 설명을 늘리기보다 정본이 어디인지 분명히 하는 편이 유지 비용을 줄인다.