불균형한 데이터의 기준선, 작은 재현 예제로 좁혀 가기

대부분이 같은 클래스인 데이터에서는 아무것도 구분하지 않는 모델도 높은 정확도를 보일 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

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

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.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. 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.