복잡한 모델 앞의 단순한 기준선, 유지보수할 때 남겨 둘 예제

복잡한 모델이 돌아간다는 사실만으로 유용한 예측을 만든다고 판단하기 어렵다.

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

평균, 중앙값, 이전 시점의 값처럼 단순한 기준선을 먼저 만든다. 새 모델이 추가하는 학습과 운영 비용을 감수할 만큼 개선되는지 같은 데이터에서 비교한다.

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.dummy import DummyRegressor
from sklearn.metrics import mean_absolute_error

baseline = DummyRegressor(strategy='median').fit(X_train, y_train)
error = mean_absolute_error(y_test, baseline.predict(X_test))
print(error)

기준선과 후보 모델에 같은 평가 입력과 지표를 적용하고 실패하는 사례도 함께 비교한다.

놓치기 쉬운 조건

기준선의 값도 학습 데이터에서 구해야 한다. 평가 구간의 중앙값을 사용하면 실제 서비스에서 얻을 수 없는 정보를 사용하게 된다.

확인할 부분	살펴볼 내용
기준 동작	기준선과 후보 모델에 같은 평가 입력과 지표를 적용하고 실패하는 사례도 함께 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. 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.