사용자 단위로 데이터를 분리하기, 작은 재현 예제로 좁혀 가기

같은 사용자의 기록이 학습과 평가에 나뉘어 있으면 새 사용자에 대한 성능을 과대평가할 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

서로 관련된 행을 하나의 그룹으로 묶고 그룹을 기준으로 분리한다. 평가 대상이 새 사용자인지 기존 사용자의 새 사건인지 먼저 정해야 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 GroupShuffleSplit

splitter = GroupShuffleSplit(n_splits=1, test_size=0.2, random_state=42)
train_idx, test_idx = next(splitter.split(X, y, groups=user_ids))
assert set(user_ids[train_idx]).isdisjoint(set(user_ids[test_idx]))

학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 확인한다.

놓치기 쉬운 조건

그룹 분리가 모든 상황의 정답은 아니다. 실제 적용 대상과 다른 분할을 사용하면 필요 이상으로 어렵거나 쉬운 평가가 될 수 있다.

확인할 부분	살펴볼 내용
기준 동작	학습과 평가의 사용자 식별자 교집합이 비어 있는지와 서비스의 실제 예측 상황이 이 분할과 맞는지 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.