전처리에서 생기는 데이터 누수, 작은 재현 예제로 좁혀 가기

모델에 평가 데이터를 직접 넣지 않았어도 전처리 단계에서 평가 정보가 전달될 수 있다.

화면이나 실행 결과가 예상과 다를 때 전체 시스템을 한꺼번에 설명하려 하면 단서가 흐려진다. 관련 없는 의존성을 덜어 내고 조건을 하나씩 바꾸면 어느 가정이 깨졌는지 볼 수 있다. 이번에는 원인을 단정하기 전에 비교 가능한 최소 예제를 만드는 과정을 정리한다.

변수를 줄이는 순서

평균이나 분산처럼 데이터에서 추정하는 값은 학습 구간에서만 구한다. 변환기의 학습과 적용을 파이프라인으로 묶으면 분할마다 경계를 유지하기 쉽다.

이번에 확인할 질문: 한 가지 조건만 바꾸었을 때 관찰 결과도 함께 바뀌는가?

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.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

model = make_pipeline(StandardScaler(), LogisticRegression())
model.fit(X_train, y_train)
prediction = model.predict(X_test)

각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 확인한다.

놓치기 쉬운 조건

전체 데이터로 표준화한 다음 분리하면 평가 분포의 정보가 이미 변환에 사용된다. 피처 선택과 결측값 대체도 같은 경계를 따라야 한다.

확인할 부분	살펴볼 내용
기준 동작	각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 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. 문제가 드러나는 입력과 순서를 먼저 고정한다.
2. 의존성이나 옵션을 하나씩 제거하고 같은 결과가 남는지 확인한다.
3. 원인을 설명하는 가장 작은 차이를 회귀 확인 항목으로 남긴다.

재현 예제의 목적은 짧은 코드를 자랑하는 데 있지 않다. 설명에 필요한 조건을 남기는 것이 목적이다. 실제 경로로 돌아왔을 때도 같은 원인과 해결책이 성립하는지 마지막으로 확인해야 재현 과정이 유용한 기록이 된다.