텍스트 분류의 TF-IDF 기준선, 유지보수할 때 남겨 둘 예제

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

시간이 지나면 왜 이렇게 구현했는지보다 어떻게 실행하는지만 남기기 쉽다. 옵션과 제약을 잊은 채 코드를 정리하면 의도했던 동작까지 바뀔 수 있다. 이번에는 작은 예제를 실행 가능한 설명으로 남기고, 구현이 달라져도 유지할 부분을 분리한다.

다시 읽을 수 있는 최소 맥락

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

이번에 확인할 질문: 내부 구조를 바꾸더라도 이 예제가 설명하는 결과는 그대로 유지되어야 하는가?

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. 구현 세부 사항보다 외부에서 관찰하는 결과를 적는다.
2. 예제가 의존하는 입력과 환경을 가까이에 둔다.
3. 설명이 실제 동작과 달라지면 코드와 예제를 같은 변경에서 고친다.

오래 남는 문서는 가장 긴 문서가 아니라 다시 확인할 수 있는 문서다. 선택의 이유와 작동하는 예제가 함께 있으면 새로운 구현으로 옮길 때도 기준을 잃지 않는다. 중복 설명을 늘리기보다 정본이 어디인지 분명히 하는 편이 유지 비용을 줄인다.