전처리에서 생기는 데이터 누수, 다음 실험으로 이어지는 회고

모델에 평가 데이터를 직접 넣지 않았어도 전처리 단계에서 평가 정보가 전달될 수 있다.

하나의 예제를 이해했다고 주제 전체를 해결한 것은 아니다. 확인한 범위와 아직 모르는 범위를 나누어야 다음 시도가 반복 작업으로 끝나지 않는다. 이번 기록에서는 앞서 정리한 원칙을 다시 적용하고, 남은 가정을 확인할 작은 실험으로 연결한다.

결론보다 남은 질문

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

이번에 확인할 질문: 이번 확인으로 알게 된 사실과 아직 검증하지 않은 가정을 구분했는가?

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. 실제로 확인한 결과를 조건과 함께 한 문장으로 남긴다.
2. 다른 입력이나 환경에서 달라질 가능성이 있는 가정을 고른다.
3. 다음 시도에서 한 번에 바꿀 변수 하나와 관찰 방법을 정한다.

회고가 큰 결심으로 끝나면 실행 여부를 확인하기 어렵다. 다음에 바꿀 입력 하나와 기대하는 결과 하나를 정해 두는 편이 좋다. 작은 검증이 쌓이면 주제를 다시 만났을 때 처음부터 추측하지 않고 이전의 증거 위에서 판단할 수 있다.