전처리에서 생기는 데이터 누수, 변경 전후를 비교하는 방법

모델에 평가 데이터를 직접 넣지 않았어도 전처리 단계에서 평가 정보가 전달될 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

평균이나 분산처럼 데이터에서 추정하는 값은 학습 구간에서만 구한다. 변환기의 학습과 적용을 파이프라인으로 묶으면 분할마다 경계를 유지하기 쉽다.

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.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
from sklearn.linear_model import LogisticRegression

model = make_pipeline(StandardScaler(), LogisticRegression())
model.fit(X_train, y_train)
prediction = model.predict(X_test)

각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 확인한다.

놓치기 쉬운 조건

전체 데이터로 표준화한 다음 분리하면 평가 분포의 정보가 이미 변환에 사용된다. 피처 선택과 결측값 대체도 같은 경계를 따라야 한다.

확인할 부분	살펴볼 내용
기준 동작	각 전처리 단계의 fit이 학습 데이터에서만 호출되는지와 평가 입력에는 transform만 적용되는지 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.