시간 순서를 지키는 평가, 경계 조건에서 다시 살펴보기

미래 값을 예측하는 문제를 무작위로 나누면 미래 정보가 과거의 학습에 섞일 수 있다.

대표 예제 하나가 통과해도 기능의 경계가 명확해진 것은 아니다. 값이 없거나 예상보다 많을 때, 실행이 늦어지거나 순서가 바뀔 때 다른 규칙이 숨어 있을 수 있다. 이번 기록에서는 정상 경로를 유지한 채 입력 범위를 넓혀 보고 무엇을 허용할지 구분한다.

정상 경로 밖의 입력

학습은 과거 구간, 평가는 그 뒤의 구간으로 나눈다. 피처를 만들 때도 해당 시점에 실제로 알 수 있었던 데이터만 사용해야 한다.

이번에 확인할 질문: 예상 범위를 벗어난 입력은 조용히 다른 결과를 만들지 않고 구분되는가?

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.model_selection import TimeSeriesSplit

splitter = TimeSeriesSplit(n_splits=3)
for train_idx, test_idx in splitter.split(X):
    assert train_idx.max() < test_idx.min()
    print(len(train_idx), len(test_idx))

각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 확인한다.

놓치기 쉬운 조건

행이 이미 시간순으로 정렬되어 있다는 전제가 필요하다. 집계 창이나 정답 생성 과정이 미래 값을 포함하지 않았는지도 따로 점검한다.

확인할 부분	살펴볼 내용
기준 동작	각 행의 예측 시점과 피처의 이용 가능 시점을 비교해 미래에서 온 정보가 없는지 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. 빈 값과 최소 크기부터 확인 범위를 넓힌다.
2. 한 번에 여러 경계를 섞지 않고 각각의 결과를 기록한다.
3. 지원하지 않는 조건은 허용 범위와 함께 분명하게 설명한다.

모든 입력을 성공시켜야 좋은 인터페이스가 되는 것은 아니다. 지원 범위를 예측할 수 있고 실패 이유가 분명한 편이 더 다루기 쉽다. 경계 조건을 문서와 예제에 함께 남겨야 다음 구현에서도 같은 기준을 적용할 수 있다.