정밀도와 재현율의 질문, 실패를 설명할 단서 남기기

모델을 개선했다는 말이 어떤 종류의 실수를 줄였다는 뜻인지 분명하지 않을 수 있다.

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

정밀도는 양성이라고 판단한 것 중 맞은 비율을, 재현율은 실제 양성 중 찾아낸 비율을 묻는다. 두 지표를 업무의 확인 비용과 놓침 비용에 연결해 읽는다.

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.metrics import precision_score, recall_score

precision = precision_score(y_true, y_pred, zero_division=0)
recall = recall_score(y_true, y_pred, zero_division=0)
print({'precision': precision, 'recall': recall})

오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 확인한다.

놓치기 쉬운 조건

분모가 없는 집단에서 표시할 값과 경고 정책을 정해야 한다. 한 지표만 좋아졌다는 이유로 전체 품질이 나아졌다고 결론내리지 않는다.

확인할 부분	살펴볼 내용
기준 동작	오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 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. 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.