시간 순서를 지키는 평가, 작은 재현 예제로 좁혀 가기

미래 값을 예측하는 문제를 무작위로 나누면 미래 정보가 과거의 학습에 섞일 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

학습은 과거 구간, 평가는 그 뒤의 구간으로 나눈다. 피처를 만들 때도 해당 시점에 실제로 알 수 있었던 데이터만 사용해야 한다.

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.model_selection import TimeSeriesSplit

splitter = TimeSeriesSplit(n_splits=3)
for train_idx, test_idx in splitter.split(X):
    assert train_idx.max() < test_idx.min()
    print(len(train_idx), len(test_idx))

각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 확인한다.

놓치기 쉬운 조건

행이 이미 시간순으로 정렬되어 있다는 전제가 필요하다. 집계 창이나 정답 생성 과정이 미래 값을 포함하지 않았는지도 따로 점검한다.

확인할 부분	살펴볼 내용
기준 동작	각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 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. 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.