텍스트 분류의 TF-IDF 기준선, 리뷰에서 함께 확인할 질문

텍스트 문제에서 복잡한 모델부터 선택하면 데이터와 평가의 기본 문제를 놓치기 쉽다.

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

단어 빈도와 문서 빈도를 이용한 TF-IDF를 작은 기준선으로 사용한다. 토큰화와 전처리 규칙을 명시하고 어휘는 학습 문서에서만 구축한다.

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.feature_extraction.text import TfidfVectorizer

vectorizer = TfidfVectorizer(min_df=2, ngram_range=(1, 2))
train_matrix = vectorizer.fit_transform(train_documents)
test_matrix = vectorizer.transform(test_documents)

새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 확인한다.

놓치기 쉬운 조건

기본 토큰화가 모든 언어에 적합한 것은 아니다. 한국어에서는 형태 변화와 띄어쓰기, 도메인 용어가 표현에 어떤 영향을 주는지 확인한다.

확인할 부분	살펴볼 내용
기준 동작	새 문서에 처음 나타난 단어와 자주 반복되는 단어가 어떻게 표현되는지 작은 문서 묶음으로 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. 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.