불균형한 데이터의 기준선, 대안을 선택하는 기준 정리

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

문제를 푸는 방법이 둘 이상이면 기능의 개수만 비교하기 쉽다. 하지만 운영 중 설명할 수 있는지, 실패했을 때 되돌릴 수 있는지, 다음 동료가 고칠 수 있는지도 선택의 일부다. 이번에는 현재 조건에서 필요한 성질과 감수할 비용을 나누어 적는다.

장점과 비용을 함께 보기

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

이번에 확인할 질문: 선택한 방법의 장점이 지금의 제약과 실제로 연결되어 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. 필수 조건과 있으면 좋은 조건을 분리한다.
2. 선택하지 않은 대안이 유리해지는 상황도 한 가지 적는다.
3. 조건이 바뀌면 결정을 다시 검토할 시점을 남긴다.

다른 방법을 배제한 이유가 기록되어 있으면 같은 논의를 처음부터 반복하지 않아도 된다. 선택은 환경에 따라 달라질 수 있다. 무엇을 포기했는지 설명하는 문장이 구현을 이해하는 데 오히려 더 직접적인 도움이 될 때가 많다.