이상치 제거 전에 할 질문, 작은 재현 예제로 좁혀 가기

평균에서 멀리 떨어진 값을 모두 지우면 중요한 드문 사건까지 사라질 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

이상한 값이 수집 오류인지 유효하지만 드문 사례인지 먼저 구분한다. 삭제 기준은 평가 데이터의 결과에 맞춰 조정하지 않고 업무 의미와 학습 데이터에서 정한다.

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.

import numpy as np

q1, q3 = np.quantile(train_values, [0.25, 0.75])
iqr = q3 - q1
lower, upper = q1 - 1.5 * iqr, q3 + 1.5 * iqr
flagged = (train_values < lower) | (train_values > upper)

표시된 사례 몇 개를 원천 기록과 대조하고 제거 전후 어떤 집단이 줄어드는지 확인한다.

놓치기 쉬운 조건

사분위 범위 규칙은 검토 후보를 찾는 방법이지 오류 판정의 근거 자체는 아니다. 자연스럽게 긴 꼬리를 가진 분포에 그대로 적용하지 않는다.

확인할 부분	살펴볼 내용
기준 동작	표시된 사례 몇 개를 원천 기록과 대조하고 제거 전후 어떤 집단이 줄어드는지 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.