전처리에서 생기는 데이터 누수, 경계 조건에서 다시 살펴보기

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

대표 예제 하나가 통과해도 기능의 경계가 명확해진 것은 아니다. 값이 없거나 예상보다 많을 때, 실행이 늦어지거나 순서가 바뀔 때 다른 규칙이 숨어 있을 수 있다. 이번 기록에서는 정상 경로를 유지한 채 입력 범위를 넓혀 보고 무엇을 허용할지 구분한다.

정상 경로 밖의 입력

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

이번에 확인할 질문: 예상 범위를 벗어난 입력은 조용히 다른 결과를 만들지 않고 구분되는가?

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. 빈 값과 최소 크기부터 확인 범위를 넓힌다.
2. 한 번에 여러 경계를 섞지 않고 각각의 결과를 기록한다.
3. 지원하지 않는 조건은 허용 범위와 함께 분명하게 설명한다.

모든 입력을 성공시켜야 좋은 인터페이스가 되는 것은 아니다. 지원 범위를 예측할 수 있고 실패 이유가 분명한 편이 더 다루기 쉽다. 경계 조건을 문서와 예제에 함께 남겨야 다음 구현에서도 같은 기준을 적용할 수 있다.