복잡한 모델 앞의 단순한 기준선, 실패를 설명할 단서 남기기

복잡한 모델이 돌아간다는 사실만으로 유용한 예측을 만든다고 판단하기 어렵다.

실패했다는 사실만으로는 다음 행동을 정하기 어렵다. 어떤 입력으로 어디까지 진행했으며 무엇을 기대했는지가 함께 있어야 한다. 이번에는 성공 여부를 표시하는 데서 한 걸음 더 나아가, 다음 사람이 같은 조건을 확인할 수 있도록 관찰 항목을 정리한다.

결과와 원인을 구분하는 기록

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

이번에 확인할 질문: 결과만 전달받은 사람이 원래 입력과 기대 동작을 복원할 수 있는가?

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. 기대 결과와 실제 결과를 서로 다른 칸에 적는다.
2. 개인정보나 비밀값을 제외하고 재현에 필요한 조건만 남긴다.
3. 관찰 사실과 원인에 대한 가설을 구분해 후속 확인을 정한다.

기록을 많이 남기는 것과 유용하게 남기는 것은 다르다. 원인을 좁히는 데 쓰이지 않는 항목은 줄이고, 누락 때문에 다시 묻게 되는 조건은 보완한다. 관찰할 수 있는 범위가 분명해지면 실패한 상황에서도 다음 실험을 작게 잡을 수 있다.