학습 데이터와 평가 데이터 나누기, 경계 조건에서 다시 살펴보기

같은 데이터로 학습과 평가를 모두 하면 모델이 새로운 입력을 얼마나 잘 처리하는지 알기 어렵다.

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

평가에 사용할 데이터를 먼저 분리하고 최종 판단까지 보관한다. 데이터의 시간이나 사용자 그룹에 관계가 있으면 단순 무작위 분할이 적절한지도 따져야 한다.

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.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, test_size=0.2, random_state=42,
    stratify=y,
)

학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 확인한다.

놓치기 쉬운 조건

평가 점수를 보면서 같은 평가 데이터에 맞춰 계속 설계를 바꾸면 사실상 학습에 사용한 셈이 된다. 별도의 검증 단계와 최종 평가를 구분한다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가에 같은 행이나 같은 사건의 복제본이 섞이지 않았는지 식별자를 기준으로 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.