열일곱 차시를 한 장의 지도로

📖 예시 답안 훈련 정확도는 모델이 이미 본 데이터에서 잰 값이라, 외운 것과 이해한 것을 구별하지 못한다. 11차시에서 k=1인 k-NN은 훈련 정확도가 반드시 100%가 되는데, 자기 자신이 가장 가까운 이웃이라 늘 자기 이름표를 돌려주기 때문이다. 그런데 같은 모델의 시험 정확도는 60.0%였다 — 40%포인트 차이가 곧 '외웠다'는 증거다. 그러므로 훈련과 테스트를 갈라 두 값을 함께 보고해야 하고, 나아가 12차시에서 보았듯 정확도 하나로도 모자란다. 환자가 2%뿐인 데이터에서 「모두 정상」이라 답하면 정확도 98.0%를 받지만 재현율은 0.0%다. 네 칸(TP·FP·FN·TN)과 정밀도·재현율까지 함께 적어야 비로소 보고가 된다. 한 번의 분할만 믿어서도 안 된다 — 11차시의 교차검증은 그 한 번이 고른 k와 다른 값을 골랐다.

📖 예시 답안 전체 정확도는 집단 크기로 가중된 평균이라, 다수 집단의 성적이 숫자를 지배한다. 3차시의 실험에서 전체 85.0%는 밝은 사진 92.2%와 어두운 사진 20.0%가 9:1로 섞인 값이었다. 어두운 사진을 쓰는 사람에게 이 서비스는 다섯 번에 네 번 틀린다. 그러므로 집단별로 갈라 재지 않으면 아무것도 잰 것이 아니다.
대가도 분명하다. 표집 비율과 가중치를 바꾸는 1,040가지를 전부 시험했지만 "전체 90% 이상 + 격차 10%포인트 이내"를 만족하는 조합은 하나도 없었다. 격차를 0.2%포인트까지 줄인 설정은 전체가 52.8%로 떨어졌다 — 둘 다 못 맞히게 되어 '공평'해진 것이다. 다만 집단마다 따로 배우게 하자 어두운 사진 정확도가 사진을 한 장도 더 안 모으고 20.0%에서 89.0%로 뛰었다. 문제는 데이터의 양이 아니라 두 집단을 같은 자로 잰 것이었다.

📖 예시 답안 코드를 고치지 않아도 됐다는 것은 알고리즘이 문제에 딸린 것이 아니라는 뜻이다. XOR 네 점을 배우던 그 train()이 240일치 급식 기록도 배웠다. 바뀐 것은 데이터의 모양뿐이다. 그래서 새 문제를 만나면 알고리즘을 새로 짜는 것이 아니라 데이터를 그 모양으로 옮기는 일부터 하게 된다 — 2차시에서 배운 '무엇을 맞히고 무엇으로 맞힐까'가 여기로 돌아온다.
거리 셋은 이렇다. ① 규모 — 우리 신경망의 매개변수는 열 개 남짓이고 데이터는 240일이다. 오늘날의 모델은 그보다 몇 자리 위다. ② 층 — 우리는 층 하나를 더 얹었을 뿐이다. '딥'러닝은 그 층이 훨씬 깊다. ③ 학습 시간과 계산 — 우리 코드는 몇 초면 끝나지만 큰 모델은 전용 장비로 며칠에서 몇 달을 돈다.
그럼에도 고리는 같다 — 예측하고, 틀린 만큼 되짚고, 가중치를 조금 밀고, 되풀이한다.