회귀 오차의 크기를 읽는 방법, 변경 전후를 비교하는 방법

평균 오차가 줄었어도 드물게 발생하는 큰 실수는 더 커졌을 수 있다.

개선한 코드가 더 좋아 보인다는 인상과 실제 동작의 개선은 구분해야 한다. 입력과 실행 조건이 다르면 차이의 원인을 알기 어렵다. 이번 기록에서는 비교 기준을 먼저 정하고, 바꾼 부분이 기대한 효과를 냈는지 확인하는 절차를 다룬다.

같은 조건에서 얻은 증거

MAE와 제곱 오차 기반 지표가 어떤 실수에 더 큰 비용을 부여하는지 구분한다. 단위와 분포를 함께 보고 업무에서 허용하는 오차 크기로 해석한다.

이번에 확인할 질문: 관찰한 차이를 이번 변경 때문이라고 설명할 만큼 비교 조건이 같은가?

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.metrics import mean_absolute_error, mean_squared_error

mae = mean_absolute_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred) ** 0.5
print({'MAE': mae, 'RMSE': rmse})

오차가 큰 사례와 작은 사례를 나누어 보고, 목표값의 크기에 따라 오차 분포가 달라지는지 확인한다.

놓치기 쉬운 조건

데이터의 단위가 바뀌면 같은 지표 숫자도 의미가 달라진다. 평균 하나만 보고 특정 구간이나 집단의 큰 오차를 놓치지 않는다.

확인할 부분	살펴볼 내용
기준 동작	오차가 큰 사례와 작은 사례를 나누어 보고, 목표값의 크기에 따라 오차 분포가 달라지는지 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. 바꾸기 전 결과를 보관하고 같은 입력을 다시 사용한다.
2. 좋아진 부분뿐 아니라 유지되어야 할 동작도 함께 비교한다.
3. 효과가 확인되지 않으면 추가 복잡도를 받아들일 이유를 다시 검토한다.

비교 결과는 특정 조건에서 얻은 증거다. 이를 모든 사용자와 모든 실행 환경으로 곧바로 확대하지 않는다. 입력의 크기와 조건을 함께 남겨야 다른 상황에서 다시 검증할 때도 출발점으로 사용할 수 있다.