불균형한 데이터의 기준선, 리뷰에서 함께 확인할 질문

대부분이 같은 클래스인 데이터에서는 아무것도 구분하지 않는 모델도 높은 정확도를 보일 수 있다.

작성자에게 당연한 전제도 리뷰어에게는 보이지 않을 수 있다. 파일의 차이만 보여 주면 변경 이유와 확인 범위를 추측하게 된다. 이번 기록에서는 결과를 판단하는 데 필요한 맥락을 짧게 전달하고, 질문이 실제 개선으로 이어지도록 확인 순서를 정리한다.

코드 밖의 맥락 전달하기

클래스 비율과 단순한 기준선의 결과를 먼저 적는다. 어느 종류의 실수가 더 큰 비용을 만드는지에 따라 적절한 지표와 평가 집단을 선택한다.

이번에 확인할 질문: 리뷰어가 변경 이유와 남아 있는 제약을 코드만 추측하지 않고 이해할 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.

from sklearn.dummy import DummyClassifier
from sklearn.metrics import balanced_accuracy_score

baseline = DummyClassifier(strategy='most_frequent')
baseline.fit(X_train, y_train)
score = balanced_accuracy_score(y_test, baseline.predict(X_test))

다수 클래스만 예측한 기준선과 모델의 클래스별 결과를 나란히 비교한다.

놓치기 쉬운 조건

정확도 하나만으로 소수 클래스의 실패를 발견하기 어렵다. 가중치를 조정한 뒤에도 실제 서비스에서 만나는 클래스 비율로 평가해야 한다.

확인할 부분	살펴볼 내용
기준 동작	다수 클래스만 예측한 기준선과 모델의 클래스별 결과를 나란히 비교한다.
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. 이번 변경이 해결하는 구체적인 상황을 먼저 설명한다.
2. 재현 예제와 확인한 결과를 한곳에서 볼 수 있게 남긴다.
3. 취향에 대한 제안과 지켜야 할 계약의 위반을 구분한다.

리뷰는 작성자의 지식을 시험하는 자리가 아니라 변경을 함께 책임지는 과정이다. 답변이 반복되는 질문은 설명이 부족한 신호일 수 있다. 대화가 끝난 뒤 가장 중요한 전제를 코드 가까이 남기면 다음 리뷰의 질문도 더 구체적이 된다.