14차시 세 사람이 같은 데이터로 다른 것을 묻는다면 — 어떤 방법을 골라야 할까

1

여는 장면 · 5분

같은 날, 같은 표를 달라는 사람이 셋

여러분은 시청 데이터팀의 분석가입니다. 책상 위에는 지난 1년 따릉이 기록을 하루 단위로 정리한 표 한 장이 있습니다 — 날짜 · 기온 · 강수량 · 공휴일 · 그날 대여 수. 운영한 날만 세면 353일입니다.

오늘 아침, 이 표를 달라는 의뢰가 세 장 들어왔습니다. 세 사람이 원하는 것은 같은 표에서 나오는 서로 다른 것입니다. 보고서에 실을 문장, 내일 아침에 쓸 숫자, 그리고 아직 오지 않은 날에 대한 대비.

세 장을 한꺼번에 받았으니 방법도 한 가지로 정하면 편할 것 같습니다. 정말 그럴까요?

시청 데이터팀 · 가상 메모

따릉이 일자료, 오늘 안에 세 부서로 — 분석 방법은 팀에서 알아서 정해 주세요

보낸 사람: 데이터팀장 · 이 메모는 수업을 위해 지어낸 것입니다

표 1책상 위의 의뢰서 세 장같은 표 · 다른 물음 · 다른 쓰임

의뢰	묻는 것	결과로 하는 일	틀리면 생기는 일
㉮ 시청 정책실	비가 오면 대여가 얼마나 주는가 — 보고서에 실을 한 문장으로	의회에 보고하고, 그 문장으로 예산을 설득한다	문장이 혼자 돌아다니며 여러 해 인용된다
㉯ 재배치 차고	내일 대여량을 가장 덜 틀리게	새벽에 트럭으로 자전거를 옮긴다	그날 아침 어느 대여소가 비거나 넘친다
㉰ 폭염 대책반	지금까지 관측한 가장 더운 날보다 3°C 더 더운 날이 오면?	그늘막·물병 배치와 안내 문자를 미리 준비한다	준비가 모자라거나, 쓰지 않을 곳에 예산이 간다

세 물음은 표에서 뽑아내는 것이 서로 다릅니다 — ㉮ 는 말을, ㉯ 는 숫자를, ㉰ 는 표 밖의 값을 원합니다. 자료: 서울 따릉이 일 단위 353일(UCI Seoul Bike Sharing, CC BY 4.0) · 의뢰 셋은 수업을 위해 지어낸 상황

먼저 예측

세 의뢰인 모두에게 한 가지 방법을 권한다면 무엇을 권하겠습니까? 그리고 그 방법이 세 방 모두에서 1등일 것 같은지, 1등이 갈린다면 어느 방에서 갈릴 것 같은지 적어 두세요. 2정거장 「파견 데스크」에서 여러분의 예측을 직접 채점하게 됩니다.

내 예측 한 문장 이 기기에만 저장돼요 · 선생님께 가지 않아요

체크포인트 1

세 의뢰가 같은 표에서 서로 다른 것을 원한다는 것을 읽었고, 한 방법으로 셋을 다 덮을 수 있을지 짐작을 적어 두었다.

다음 정거장 · 개념 15분 →

2

개념 · 15분

견주는 자 넷, 그리고 그 자에 매기는 무게

2-1한 표에 네 가지 자를 놓는다

지금까지 배운 방법 셋을 같은 자료·같은 시험으로 돌려 한 표에 모았습니다. 통계적 회귀(3·5차시) · 결정 트리(5차시) · 랜덤 포레스트 — 마지막 하나는 서로 조금씩 다른 나무 100그루를 길러 그 답을 평균 내는 방법으로, 오늘 처음 씁니다.

Ⅲ-12 에서 가져옴시간으로 이어지는 자료는 섞지 않습니다. 앞 264일로 배우고 뒤 89일을 맞히는 shuffle=False 나누기를 세 방법에 똑같이 씁니다 — 자가 같아야 비교표가 됩니다.

표 2세 방법을 한 표에같은 264일로 배우고 같은 89일을 맞혔다

방법	성능 시험 89일 RMSE	효율 학습 ms	설명 한 문장으로 말할 수 있나	적용 범위 36.7°C 의 답
통계적 회귀	6,323	8.9	기온 1°C +679대 · 비 1mm −285대 · 쉬는날 −2,431대	34,498
결정 트리	6,149	7.8	갈림 여덟 칸을 말로 읽는다 — 예: 11°C 아래 · 4°C 위 · 비 0mm 면 12,126대	21,742
랜덤 포레스트	5,833	398.3	나무 100그루의 평균 — 한 문장이 나오지 않는다	22,103

네 칸의 1등이 서로 다릅니다 — 성능은 숲, 효율은 트리, 설명은 회귀(문장을 내는 것은 회귀와 트리 둘입니다). 적용 범위 칸에는 1등이 없습니다: 훈련 264일 가운데 36.7°C 이상인 날이 0일이라, 세 숫자 모두 기댈 근거가 없습니다. 자료: 서울 따릉이 353일 — 3정거장 코드 ①이 찍는 값과 같다(브라우저 Pyodide 실측)

효율을 잴 때 주의할 것이 하나 있습니다. 첫 학습에는 도구를 처음 준비하는 시간이 섞입니다. 같은 회귀인데 첫 fit 은 19.9ms, 두 번째는 8.9ms 였어요. 그래서 한 번 돌려 두고 두 번째 학습 시간을 재는 것이 정직한 방법입니다. 1차시부터 만나 온 '처음 몇 초'가 여기서도 숫자를 흔듭니다.

그리고 이 셋은 모두 scikit-learn 이라 fit 과 predict 두 함수가 똑같습니다. 한 반복문 안에서 이름만 바꿔 끼우면 되지요. 도구는 바꿔 보는 값을 싸게 만들어 주지만, 무엇으로 고를지는 주지 않습니다. 그것이 오늘의 일입니다.

2-2같은 표, 다른 1등 — 무게가 고른다

네 자의 점수를 그대로 더하면 모두에게 같은 답이 나옵니다. 그런데 의뢰인마다 중요한 자가 다릅니다. 그래서 자마다 무게를 매겨 곱한 뒤 더합니다 — ㉮ 는 설명에 0.7, ㉯ 는 성능에 0.7. 같은 표에서 ㉮ 는 회귀 2.39점, ㉯ 는 숲 2.20점이 1등이 됩니다. 무게를 정한 것은 표가 아니라 사람입니다.

㉯ 차고 · 그날 가장 가까웠던 날(시험 89일)

24랜덤 포레스트 — RMSE 1등

인데

33결정 트리

RMSE 1등이 이 잣대에서는 꼴찌 — 잣대가 등수를 만든다.

같은 통계적 회귀 · 방만 바뀌면

2.39㉮ 정책실 점수

→

0.89㉯ 차고 점수

방법은 그대로인데 점수가 바뀐다 — 무게가 곧 판단이다.

통계적 회귀 · 첫 학습과 두 번째 학습

19.9첫 fit(ms)

→

8.9두 번째 fit(ms)

첫 번에는 도구 준비가 섞인다 — 효율은 두 번째로 잰다.

㉰ 대책반 · 36.7°C 에 돌아온 답

21,742결정 트리(대)

vs

34,498통계적 회귀(대)

같은 기온을 물었는데 회귀만 3만 대를 넘는다 — 답이 아니라 가정이 갈린 것.

자료: 따릉이 353일 · 훈련 264일 / 시험 89일 — 위 네 쌍의 숫자는 모두 코드 ① · ③ · ④가 찍는 값이다.

2-3범위 밖에서는 방법이 아니라 가정이 답한다

㉰ 가 묻는 36.7°C 는 훈련 자료에 단 하루도 없습니다. 그런데 세 방법 모두 숫자를 내놓았어요. 어떻게 냈을까요? 직선은 배운 기울기를 그대로 늘였고, 나무와 숲은 가장 더운 칸의 값을 그대로 냈습니다. 방법마다 다른 가정으로 빈 곳을 메운 것이지, 그 기온을 본 적이 있어서가 아닙니다.

그러니 세 숫자를 견주어 1등을 뽑는 일은 뜻이 없습니다. 견줄 것은 숫자가 아니라 가정이고, 가정을 고르는 근거는 이 자료 안에 없습니다. 이럴 때 가장 적합한 '방법'은 더 더운 날이 담긴 다른 자료를 구하거나, 범위를 밝히고 판단을 미루는 것입니다.

그림 1묻는 자리에는 배운 날이 없다왼쪽 = 36.7°C 의 세 답 · 오른쪽 = 훈련이 실제로 본 기온

회귀만 청록 띠를 훌쩍 넘습니다. 그렇다고 트리·숲이 맞다는 뜻은 아닙니다 — 둘은 가장 더운 칸의 값을 그대로 냈을 뿐이고, 그 값이 우연히 관측 띠 안에 떨어진 것입니다. 자료: 따릉이 353일 · 관측 띠는 32.5°C 이상 맑은 평일 4일(20,693~22,897대) — 원장 계산

규칙물음이 훈련 자료의 범위 밖에 서면, 숫자를 내기 전에 그 조건의 날이 훈련에 며칠 있었는지부터 센다. 0일이면 '답할 수 없다'가 답이다.

Ⅲ-5 에서 가져옴통계 모델의 직선과 기계학습 모델의 계단은 관측 범위 밖을 서로 다른 가정으로 메웁니다. 오늘은 그 두 가정에 나무 100그루의 평균이 하나 더 붙었을 뿐입니다.

2-4파견 데스크 — 세 방에 직접 보내 본다

표를 읽는 것만으로는 부족합니다. 8분 동안 여러분이 데스크에 앉습니다 — 분석가 카드를 골라 의뢰인의 방으로 파견하고, 까닭 칩으로 예측을 잠근 뒤, 그 방이 써 보낸 계산서를 받습니다. 계산서란 그 방의 의뢰인이 자기 잣대로 매긴 청구서예요. ★ 를 세 방에서 다 받으면 오늘의 일이 끝납니다.

시뮬레이터

파견 데스크

분석가를 의뢰인의 방으로 보내면, 그 방이 자기 잣대로 계산서를 써서 돌려준다

1분석가 카드를 고르고 의뢰인 문을 고른다
2까닭 칩을 눌러 파견을 잠근다 — 예측이 여기서 잠긴다
3계산서를 펴고 방 안의 손잡이를 돌려 본다

의뢰인 문

보낼 분석가 카드

까닭 칩 — 고르면 파견이 잠긴다

계산서 펴기 그 방이 매긴 청구서 커튼 성적표 정리 앞 · 교사 3분

데스크 · 아직 아무도 보내지 않았다카드를 고르고 문을 고른 뒤 까닭 칩으로 잠근다

★ 조건 — ㉮ 는 문장을 낼 수 있는 카드에 까닭 칩 '설명' · ㉯ 는 새벽 300초 안에 드는 카드 가운데 지금 잣대의 1등에 '성능'(아무도 안 떨어졌을 때) 또는 '효율'(규모 때문에 떨어진 카드가 있을 때) · ㉰ 는 거절 카드에 '적용 범위'.

계산서 = 그 방의 의뢰인이 자기 잣대로 매긴 청구서. 커튼 = 어느 날짜까지만 자료를 보여 주고 그 뒤를 가리는 것. 되돌아온 파견은 청구가 0이고, 카드를 바꿔 다시 보낼 수 있다.

받은 ★0/ 3

지금 방㉮

보낸 카드—

이 방의 잣대설명

이 방의 1등—

되돌아온 파견0

도전 1

㉯ 차고에서 '덜 틀리게'의 뜻을 세 잣대로 모두 바꿔 계산서를 열어라 — 1등이 그대로인가?

도전 2

㉮ 정책실에 통계적 회귀를 보내고 비 2 · 10 · 40mm 세 자리를 모두 열어, 받은 문장이 1년 기록과 가장 크게 벌어지는 자리를 찾아라.

도전 3

㉰ 대책반의 커튼 두 날짜를 모두 열어 본 뒤, 이 방에서 ★ 를 받는 카드를 보내라.

자료: 쪽 안 JSON(#desk-data) — 서울 따릉이 353일을 브라우저 Pyodide 로 돌려 구운 값(원장 _ledger/u3/run/l14). 3정거장의 코드 ① · ④ · ⑤ · ⑥이 같은 숫자를 찍는다.

정리 앞 3분 — 선생님이 같은 판에서 커튼 성적표를 엽니다. 금요일마다 커튼을 치고 그 뒤 45일의 '범위 밖 1등'을 세어 둔 판이에요. 먼저 짐작해 두세요: 6월 1일 전 금요일 19곳 가운데 통계적 회귀가 1등인 칸은 몇 개일까요?

체크포인트 2

네 가지 자와 무게를 손에 넣었고, 세 방에 직접 파견해 보며 '1등은 방마다 다르다'와 '거절도 답이다'를 확인했다.

다음 정거장 · 손으로 20분 →

3

손으로 · 20분

비교표를 직접 만들고, 세 의뢰에 답장한다

오늘의 장비

랜덤 포레스트 — 나무 100그루의 평균

5차시에서 예고만 했던 방법입니다. 결정 트리 한 그루 대신, 자료와 갈림을 조금씩 달리한 나무를 100그루 길러 그 답을 평균 냅니다. 처음 실행은 몇 초 멈춰요 — 고장이 아니라 scikit-learn 과 그림 도구를 그 칸에서 처음 준비하는 중입니다(쪽마다 한 번).

부르는 모양

from sklearn.ensemble import (
    RandomForestRegressor)

숲 = RandomForestRegressor(
    n_estimators=100,
    min_samples_leaf=3,
    random_state=0)
# 트리·회귀와 부르는 법이 같다
숲.fit(훈[열], 훈["rentals"])
숲.predict(시[열])

오늘 쓰는 함수 넷

fit: 배운다 — 셋 다 이름이 같다
predict: 답한다 — 셋 다 이름이 같다
export_text: 트리의 갈림을 글자로 뽑는다
mean_squared_error: 제곱 오차의 평균 — 제곱근이 RMSE

트리 한 그루와 다른 셋

그루가 100n_estimators=100 — 100개의 답을 평균
그루마다 다르게자료도 갈림도 조금씩 달리 뽑아 기른다
문장이 안 나온다export_text 를 100번 읽을 수는 없다

대가 — 학습이 40~50배 느려지고(8.9ms → 398.3ms), '비 1mm 당 몇 대'라는 문장을 주지 않습니다.

1

세 방법을 같은 시험으로 돌려 비교표를 받는다

4분

RMSE 1등은 어느 방법일까요? 그리고 학습 시간은 가장 빠른 것과 가장 느린 것 사이에 몇 배쯤 벌어질까요 — 2배 · 10배 · 50배 가운데 하나를 골라 두세요. 표를 받은 뒤 짐작과 맞대어 봅니다.

기본 빈칸 ①에 시간 순서 시험의 RMSE 를 채웁니다 — 12차시에서 쓰던 자예요. mean_squared_error 는 제곱한 오차의 평균이므로, 대여 대수와 같은 단위로 읽으려면 제곱근을 한 번 더 취합니다.

# ── 예측: RMSE 1등은? 학습 시간은 몇 배 벌어질까? ──
import time
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor, export_text
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from pyodide.http import open_url

# ───── [준비] 운영한 353일 · 12차시의 시간 순서 나누기 ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
더움 = 훈["temp"].max()
폭염기온 = round(더움 + 3, 1)   # 학습한 가장 더운 날 + 3°C
폭염 = pd.DataFrame({"temp": [폭염기온], "rain_mm": [0.0],
                   "쉬는날": [0]})
print(f"[1] 훈련 {len(훈)}일 · 시험 {len(시)}일"
      f" · 배운 기온 {훈['temp'].min()}~{더움}°C")
print(f"     RMSE  첫 fit  두번째  {폭염기온}°C  방법")
for 이름, m in 후보.items():
    t0 = time.perf_counter()
    m.fit(훈[열], 훈["rentals"])    # 첫 fit 엔 준비가 섞인다
    첫 = 1000 * (time.perf_counter() - t0)
    t0 = time.perf_counter()
    m.fit(훈[열], 훈["rentals"])    # 두 번째가 학습 시간
    ms = 1000 * (time.perf_counter() - t0)
    # [빈칸 ①] 시간 순서 시험의 RMSE — 12차시의 자
    rmse = mean_squared_error(시["rentals"],
                              ?????
    밖 = m.predict(폭염[열])[0]
    print(f"  {rmse:>7,.0f}  {첫:>6.1f}  {ms:>6.1f}"
          f"  {밖:>7,.0f}  {이름}")
ㄱ = 회귀.coef_
print(f"    회귀 문장: 기온 1°C {ㄱ[0]:+,.0f}대"
      f" · 비 1mm {ㄱ[1]:+,.0f}대 · 쉬는날 {ㄱ[2]:+,.0f}대")
print("    트리 문장(갈림을 따라 읽는다)")
print(export_text(트리, feature_names=열, decimals=0))
# 도전: max_depth 를 3 → 6 으로 바꾸면 RMSE 와 범위 밖 답은?
# 탐구: 첫 fit 시간을 효율로 쓰면 어느 방법이 억울해지나

# ── 예측: RMSE 1등은? 학습 시간은 몇 배 벌어질까? ──
import time
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor, export_text
from sklearn.ensemble import RandomForestRegressor
from sklearn.metrics import mean_squared_error
from pyodide.http import open_url

# ───── [준비] 운영한 353일 · 12차시의 시간 순서 나누기 ─────
df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
더움 = 훈["temp"].max()
폭염기온 = round(더움 + 3, 1)   # 학습한 가장 더운 날 + 3°C
폭염 = pd.DataFrame({"temp": [폭염기온], "rain_mm": [0.0],
                   "쉬는날": [0]})
print(f"[1] 훈련 {len(훈)}일 · 시험 {len(시)}일"
      f" · 배운 기온 {훈['temp'].min()}~{더움}°C")
print(f"     RMSE  첫 fit  두번째  {폭염기온}°C  방법")
for 이름, m in 후보.items():
    t0 = time.perf_counter()
    m.fit(훈[열], 훈["rentals"])    # 첫 fit 엔 준비가 섞인다
    첫 = 1000 * (time.perf_counter() - t0)
    t0 = time.perf_counter()
    m.fit(훈[열], 훈["rentals"])    # 두 번째가 학습 시간
    ms = 1000 * (time.perf_counter() - t0)
    # [빈칸 ①] 시간 순서 시험의 RMSE — 12차시의 자
    rmse = mean_squared_error(시["rentals"],
                              m.predict(시[열])) ** 0.5
    밖 = m.predict(폭염[열])[0]
    print(f"  {rmse:>7,.0f}  {첫:>6.1f}  {ms:>6.1f}"
          f"  {밖:>7,.0f}  {이름}")
ㄱ = 회귀.coef_
print(f"    회귀 문장: 기온 1°C {ㄱ[0]:+,.0f}대"
      f" · 비 1mm {ㄱ[1]:+,.0f}대 · 쉬는날 {ㄱ[2]:+,.0f}대")
print("    트리 문장(갈림을 따라 읽는다)")
print(export_text(트리, feature_names=열, decimals=0))
# 도전: max_depth 를 3 → 6 으로 바꾸면 RMSE 와 범위 밖 답은?
# 탐구: 첫 fit 시간을 효율로 쓰면 어느 방법이 억울해지나

도전 max_depth 를 3 → 6 으로 바꿔 다시 돌려 보세요. 갈림이 늘면 트리의 RMSE 와 36.7°C 의 답이 어떻게 움직이나요? 바꾸기 전과 뒤의 두 숫자를 적어 두세요.

탐구 첫 fit 시간(19.9 · 10.4 · 433.1ms)을 효율 점수에 쓰면 어느 방법이 억울해지는지와 그 까닭을 한 줄로 적으세요.

RMSE 1등(5,833)과 학습 시간 1등(7.8ms)이 서로 다른 방법인 것을 확인했다.
첫 fit 과 두 번째 fit 의 차이를 세 방법 모두에서 보았다.
트리 문장에서 기온 30°C 위 칸의 값(21,742)이 그 아래 칸(27,006)보다 작다는 것을 찾았다.

㉮ 에 낼 수 있는 문장은 와 두 가지다. 랜덤 포레스트가 문장을 못 내는 까닭은 이고, 그래서 ㉮ 의 점수에서 숲은 가 된다.

확인 문제 2에 ㉮ 답장을 적어 제출 →

2

㉰ 가 묻는 기온이 데이터 안에 있는지 센다

3분

36.7°C 는 훈련 자료에 없는 기온입니다. 그런데도 세 방법은 숫자를 냅니다 — 세 답이 비슷할까요, 갈릴까요? 갈린다면 누가 가장 큰 값을 낼 것 같은지 짐작해 두세요.

기본 빈칸 ②에 기온이 (폭염기온 − 5)°C 이상인 훈련 날 수를 세는 한 줄을 채웁니다. 훈["temp"] >= 폭염기온 - 5 는 참·거짓 목록이고, 참을 세려면 .sum() 을 씁니다. 그림에서 회색 띠는 학습한 범위 밖, 빨간 점선은 ㉰ 가 묻는 기온이에요.

# ── 예측: 범위 밖에서 세 답은 비슷할까, 갈릴까? ──
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
for m in 후보.values():
    m.fit(훈[열], 훈["rentals"])
추움, 더움 = 훈["temp"].min(), 훈["temp"].max()
폭염기온 = round(더움 + 3, 1)
# [빈칸 ②] 기온이 (폭염기온 − 5)°C 이상인 훈련 날 수
며칠 = ?????
print(f"[2] 훈련 {len(훈)}일 중 {폭염기온 - 5:.1f}°C 이상"
      f" {며칠}일 · {폭염기온}°C 이상 0일")
폭염 = pd.DataFrame({"temp": [폭염기온], "rain_mm": [0.0],
                   "쉬는날": [0]})
for 이름, m in 후보.items():
    print(f"    {폭염기온}°C 의 답"
          f" {m.predict(폭염[열])[0]:>8,.0f}대   {이름}")
기온띠 = np.arange(추움 - 5, 폭염기온 + 3, 0.2)
촘촘 = pd.DataFrame({"temp": 기온띠, "rain_mm": 0.0,
                   "쉬는날": 0})
fig, ax = plt.subplots()
for 이름, m in 후보.items():
    ax.plot(촘촘["temp"], m.predict(촘촘[열]), label=이름)
ax.axvspan(더움, 폭염기온 + 3, color="#94a3b8", alpha=0.25,
           label="학습한 범위 밖")
ax.axvline(폭염기온, color="#ef4444", linestyle="--",
           label="폭염 의뢰가 묻는 기온")
ax.set_xlabel("하루 평균 기온(°C)")
ax.set_ylabel("예측 대여(대)")
ax.set_title("비 안 오는 평일, 세 방법의 답")
ax.legend(fontsize="small")
plt.show()
# 도전: 촘촘 의 rain_mm 을 20.0 으로 바꿔 다시 그려 본다
# 탐구: 범위 밖에서 답한 것은 방법인가 가정인가

# ── 예측: 범위 밖에서 세 답은 비슷할까, 갈릴까? ──
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
for m in 후보.values():
    m.fit(훈[열], 훈["rentals"])
추움, 더움 = 훈["temp"].min(), 훈["temp"].max()
폭염기온 = round(더움 + 3, 1)
# [빈칸 ②] 기온이 (폭염기온 − 5)°C 이상인 훈련 날 수
며칠 = int((훈["temp"] >= 폭염기온 - 5).sum())
print(f"[2] 훈련 {len(훈)}일 중 {폭염기온 - 5:.1f}°C 이상"
      f" {며칠}일 · {폭염기온}°C 이상 0일")
폭염 = pd.DataFrame({"temp": [폭염기온], "rain_mm": [0.0],
                   "쉬는날": [0]})
for 이름, m in 후보.items():
    print(f"    {폭염기온}°C 의 답"
          f" {m.predict(폭염[열])[0]:>8,.0f}대   {이름}")
기온띠 = np.arange(추움 - 5, 폭염기온 + 3, 0.2)
촘촘 = pd.DataFrame({"temp": 기온띠, "rain_mm": 0.0,
                   "쉬는날": 0})
fig, ax = plt.subplots()
for 이름, m in 후보.items():
    ax.plot(촘촘["temp"], m.predict(촘촘[열]), label=이름)
ax.axvspan(더움, 폭염기온 + 3, color="#94a3b8", alpha=0.25,
           label="학습한 범위 밖")
ax.axvline(폭염기온, color="#ef4444", linestyle="--",
           label="폭염 의뢰가 묻는 기온")
ax.set_xlabel("하루 평균 기온(°C)")
ax.set_ylabel("예측 대여(대)")
ax.set_title("비 안 오는 평일, 세 방법의 답")
ax.legend(fontsize="small")
plt.show()
# 도전: 촘촘 의 rain_mm 을 20.0 으로 바꿔 다시 그려 본다
# 탐구: 범위 밖에서 답한 것은 방법인가 가정인가

도전 촘촘 의 rain_mm 을 0.0 에서 20.0 으로 바꿔 다시 그려 보세요. 세 줄이 각각 어떻게 움직이나요? 내려간 폭이 셋 다 같은지를 보고 한 줄로 적으세요.

31.7°C 이상인 훈련 날이 4일, 36.7°C 이상은 0일인 것을 숫자로 확인했다.
회색 띠 안에서 직선은 계속 올라가고 계단과 숲은 평평해지는 것을 보았다.
세 예측이 무엇에 기대고 있는지 한 줄씩 말로 옮겨 보았다.

36.7°C 에서 직선은 를 그대로 늘였고, 나무와 숲은 을 그대로 냈다. 세 숫자가 다른 까닭은 방법이 달라서가 아니라 가 달라서다.

확인 문제 3에 ㉰ 답장을 적어 제출 →

3

무게를 매겨 점수를 내고, 무게를 우리 것으로 바꾼다

5분

표 2의 성능 1등은 랜덤 포레스트였습니다. 그 방법이 ㉮ 정책실에서도 1등일까요? 아니라면 몇 등이 될지 짐작해 두세요.

기본 코드 ③은 채워져 있습니다. 그대로 ▶ 실행해 두 칸 막대를 보세요. 성능·효율은 표 2의 숫자를 0~3점으로 고친 것이고, 설명은 사람이 매긴 점수입니다(회귀 3 · 트리 2 · 숲 1). 그다음 무게 를 우리 모둠 값으로 고쳐 다시 돌립니다 — 세 수의 합이 1이 되게 하세요.

# ── 예측: 성능 1등이 ㉮ 에서도 1등일까? ──
import matplotlib.pyplot as plt

# ───── 칸 ① 비교표에서 옮겨 적는다(RMSE · 학습 ms) ─────
#   ms 는 기계마다 다르다 — 자기 브라우저에서 잰 값을 넣는다
결과 = {"통계적 회귀": (6323, 8.9),
       "결정 트리": (6149, 7.8),
       "랜덤 포레스트": (5833, 398.3)}
설명 = {"통계적 회귀": 3, "결정 트리": 2, "랜덤 포레스트": 1}
무게 = {"㉮ 정책 보고서": (0.2, 0.1, 0.7),  # 성능·효율·설명
       "㉯ 트럭 운영": (0.7, 0.2, 0.1)}
값들 = [v[0] for v in 결과.values()]
높, 낮 = max(값들), min(값들)
느림 = max(v[1] for v in 결과.values())
print("[3] 의뢰별 점수 — 기준마다 0~3점 × 무게")
fig, 칸들 = plt.subplots(1, 2, sharey=True)
for ax, (의뢰, (a, b, c)) in zip(칸들, 무게.items()):
    점수 = {}
    for 이름, (rmse, ms) in 결과.items():
        성능 = 3 * (높 - rmse) / (높 - 낮)   # RMSE 최소면 3
        효율 = 3 * (1 - ms / 느림)           # 가장 느리면 0
        점수[이름] = round(a * 성능 + b * 효율
                        + c * 설명[이름], 2)
    고른 = max(점수, key=점수.get)
    줄 = " · ".join(f"{v:.2f} {k}" for k, v in 점수.items())
    print(f"    {의뢰} → {고른}")
    print("      " + 줄)
    이름줄 = [k.replace(" ", "\n") for k in 점수]
    ax.bar(이름줄, list(점수.values()), linewidth=0)
    ax.set_title(f"{의뢰[2:]}\n→ {고른}")   # 원문자는 뺀다
칸들[0].set_ylabel("점수")
plt.tight_layout()
plt.show()
# 도전: 설명 점수의 결정 트리를 2 → 3 으로(칸 ⑤ 를 보고)
# 탐구: 무게를 우리 모둠 값으로 고치고 그 까닭을 한 줄

도전 설명 의 결정 트리를 2 → 3 으로 바꾸면 ㉮ 가 회귀 2.39 대 트리 2.61 로 뒤집힙니다. 그렇게 고쳐도 되는 근거를 코드 ⑤의 계산서에서 찾아 한 줄로 적으세요.

탐구 무게를 모둠 값으로 고친 까닭을 한 줄로 적고, 옆 모둠의 무게·결과와 견주어 보세요 — 다른 답이 나왔다면 무엇이 달랐던 것인지까지 적습니다.

㉮ 는 2.39 · 1.91 · 1.30, ㉯ 는 0.89 · 1.53 · 2.20 으로 등수가 뒤집히는 것을 보았다.
우리 모둠 무게로 한 번 더 돌려 고른 방법이 바뀌는지 확인했다.
설명 점수 셋(3 · 2 · 1)이 측정값이 아니라 판단이라는 것을 확인했다.

같은 표를 보고도 두 모둠이 다른 방법을 고를 수 있다. 갈린 곳은 이고, 그래서 보고서에는 고른 방법과 함께 를 반드시 적는다.

확인 문제 4에 적어 제출 →

4

세 계산서를 열어 근거를 모으고, 의뢰서에 답장한다

8분

시뮬레이터에서 받은 계산서를 이제 코드로 다시 확인합니다. 세 방의 1등이 같을까요, 다를까요? 다르다면 어느 방에서 가장 크게 갈릴 것 같은지 적어 두세요.

기본 세 칸은 채워져 있습니다. 칸마다 ▶ 한 번씩 눌러 ㉯ · ㉮ · ㉰ 의 계산서를 숫자로 받은 뒤, 답장 두 장(㉮ · ㉰)과 확인 문제 1(㉯)에 쓸 근거를 고르세요.

# ── 예측: '그날 가장 가까웠던' 날이 가장 많은 방법은? ──
import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
오차 = {}
실제 = 시["rentals"].to_numpy()
for 이름, m in 후보.items():
    m.fit(훈[열], 훈["rentals"])
    오차[이름] = np.abs(m.predict(시[열]) - 실제)
표 = pd.DataFrame(오차, index=시.index)
일등 = 표.idxmin(axis=1).value_counts()   # 그날 가장 가까운
print(f"[4] 시험 {len(시)}일 · 세 가지 '덜 틀리게'")
print("    가장 가까운 날  1만 대 넘김   RMSE  방법")
for 이름 in 후보:
    큰 = int((표[이름] > 10000).sum())
    rmse = (표[이름] ** 2).mean() ** 0.5
    print(f"    {int(일등.get(이름, 0)):>10}  {큰:>9}"
          f"  {rmse:>7,.0f}  {이름}")
문턱 = [6000, 8000, 10000, 12000]
print("    문턱 6,000 · 8,000 · 10,000 · 12,000 대로 세면")
for 이름 in 후보:
    센 = [int((표[이름] > t).sum()) for t in 문턱]
    print(f"      {센}   {이름}")
큰날 = 시[표["결정 트리"] > 10000]
아래 = int((큰날["temp"] <= 10.9).sum())
print(f"    트리가 1만 대 넘게 빗나간 {len(큰날)}일 중"
      f" 10.9°C 아래 {아래}일")
# 도전: 문턱을 8,000 대로 바꾸면 숲과 회귀의 순위는?
# 탐구: 대여소 2,810곳마다 모델을 만든다면 — 칸 ① 의 학습 ms
#       × 2,810 이 새벽 5분(300초) 안에 드는 방법은?

도전 문턱을 10000 에서 8000 으로 내려 세면 회귀와 숲이 19일로 같아집니다. '큰 실수'의 문턱을 누가 정해야 하는지 한 줄로 적으세요.

탐구 대여소 2,810곳마다 모델을 하나씩 만든다면 — 코드 ①의 학습 ms × 2,810 이 새벽 5분(300초) 안에 드는 방법은 무엇인가요?

# ── 예측: 회귀 문장의 '비 2mm' 는 실제와 몇 배 벌어질까? ──
import pandas as pd
from sklearn.model_selection import train_test_split
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]
훈, 시 = train_test_split(df, test_size=0.25, shuffle=False)
회귀 = LinearRegression()
트리 = DecisionTreeRegressor(max_depth=3, random_state=0)
숲 = RandomForestRegressor(n_estimators=100,
                          min_samples_leaf=3, random_state=0)
후보 = {"통계적 회귀": 회귀, "결정 트리": 트리,
       "랜덤 포레스트": 숲}
물음 = pd.DataFrame({"temp": [20.0] * 4,
                   "rain_mm": [0.0, 2.0, 10.0, 40.0],
                   "쉬는날": [0] * 4})
print("[5] 20°C 평일 — 비가 오면 몇 대 줄까(0mm 와의 차)")
print("       2mm      10mm      40mm   방법")
for 이름, m in 후보.items():
    m.fit(훈[열], 훈["rentals"])
    답 = m.predict(물음[열])
    차 = 답 - 답[0]
    print(f"  {차[1]:>8,.0f}  {차[2]:>8,.0f}"
          f"  {차[3]:>8,.0f}   {이름}")
# 기록실 — 3차시 짝 비교(기온 ±2°C · 같은 날 종류의 맑은 날)
따뜻 = df[df["temp"] > 10.9]
맑 = 따뜻[따뜻["rain_mm"] == 0]
구간 = [("1~3mm", 1.0, 3.0), ("7~15mm", 7.0, 15.0),
       ("30mm 넘게", 30.0, 999.0)]
print("    1년 기록의 짝 비교 — 맑은 짝과의 차이")
for 이름, 낮, 높 in 구간:
    비날 = 따뜻[(따뜻["rain_mm"] >= 낮)
              & (따뜻["rain_mm"] <= 높)]
    차 = []
    for _, r in 비날.iterrows():
        짝 = 맑[(abs(맑["temp"] - r["temp"]) <= 2)
                & (맑["쉬는날"] == r["쉬는날"])]
        if len(짝):
            차.append(r["rentals"] - 짝["rentals"].mean())
    print(f"      {이름:<9} {len(차):>2}일"
          f"  {sum(차) / len(차):>9,.0f}대")
# 도전: ±2°C 를 ±1°C 로 좁히면 짝 없는 비 온 날이 몇 날?
# 탐구: '말할 수 있다' 와 '맞게 말한다' 는 왜 다른 기준인가

도전 짝을 찾는 조건 ±2°C 를 ±1°C 로 좁히면 짝 없는 비 온 날이 몇 날 생기나요? 짝이 줄면 이 비교를 얼마나 믿을 수 있을지도 한 줄 덧붙이세요.

탐구 ㉮ 정책실에 '비가 10mm 오면 몇 대 줄까'를 한 문장으로 답하고, 그 문장을 어느 방법에서 가져왔는지와 까닭을 적으세요(확인 문제 2의 답 칸에 함께 씁니다).

# ── 예측: 그때 세 방법은 범위 밖 날을 많게? 적게? ──
import pandas as pd
from sklearn.linear_model import LinearRegression
from sklearn.tree import DecisionTreeRegressor
from sklearn.ensemble import RandomForestRegressor
from pyodide.http import open_url

df = pd.read_csv(open_url("../data/seoul_bike_daily.csv"))
df = df[df["functioning"] == 1].reset_index(drop=True)
주말 = pd.to_datetime(df["date"]).dt.dayofweek >= 5
df["쉬는날"] = (주말 | (df["holiday"] == 1)).astype(int)
열 = ["temp", "rain_mm", "쉬는날"]


def 세방법():
    숲 = RandomForestRegressor(n_estimators=100,
                              min_samples_leaf=3,
                              random_state=0)
    return {"통계적 회귀": LinearRegression(),
            "결정 트리": DecisionTreeRegressor(max_depth=3,
                                            random_state=0),
            "랜덤 포레스트": 숲}


def 커튼(날짜, 창=45):
    """그날까지 배우고, 뒤 창 일 중 범위 밖 날을 맞혀 본다"""
    훈2 = df[df["date"] <= 날짜]
    뒤 = df[df["date"] > 날짜].head(창)
    밖 = 뒤[뒤["temp"] > 훈2["temp"].max()]
    줄 = {}
    for 이름, m in 세방법().items():
        m.fit(훈2[열], 훈2["rentals"])
        줄[이름] = (m.predict(밖[열]) - 밖["rentals"]).mean()
    return 훈2, 밖, 줄


훈2, 밖, 줄 = 커튼("2018-07-20")
print(f"[6] 7월 20일까지 {len(훈2)}일 · 그때 가장 더운 날"
      f" {훈2['temp'].max()}°C")
print(f"    뒤 45일 가운데 범위 밖 {len(밖)}일 — 평균 얼마나")
for 이름, v in 줄.items():
    print(f"      {v:>+8,.0f}대 많게 불렀다   {이름}")
뜨 = 밖.loc[밖["temp"].idxmax()]
print(f"    범위 밖 가장 더운 날 {뜨['temp']}°C({뜨['date']})"
      f" 실제 {int(뜨['rentals']):,}대")
# 틀린 길 — '숲이 범위 밖에 강하다'고 외우면
훈3, 밖3, 줄3 = 커튼("2018-03-09")
print(f"    커튼을 3월 9일로 옮기면(범위 밖 {len(밖3)}일)")
for 이름, v in 줄3.items():
    print(f"      {v:>+8,.0f}대           {이름}")
# 도전: 커튼 날짜를 다른 금요일로 바꿔 '범위 밖 1등'을 적는다
# 탐구: 범위 밖 1등이 방법의 성질이 아니라면 ㉰ 에는 무엇으로

도전 커튼 날짜를 다른 금요일로 바꿔 돌리고, 그때마다 '범위 밖 1등'을 적어 두세요. 선생님이 여는 커튼 성적표와 맞대어 봅니다.

탐구 '숲이 범위 밖에 강하다'가 왜 틀린 외움인지, 두 커튼의 숫자를 근거로 적으세요.

㉯ — '가장 가까웠던 날' 1등(트리 33)과 'RMSE' 1등(숲 5,833)이 다른 방법인 것을 확인했다.
㉮ — 회귀 문장의 2mm(−569)와 1년 기록의 짝 비교(−4,235)를 맞대어 7.4배를 확인했다.
㉰ — 7월 20일 커튼에서 세 방법이 모두 많게, 3월 9일 커튼에서 모두 적게 부른 것을 보았다.
세 계산서에서 답장에 쓸 근거를 방마다 하나씩 골라 표시해 두었다.

㉯ 에는 를 권한다 — 근거는 이고, 한계는 이다. ㉰ 에는 를 보낸다 — 이 자료로 말할 수 있는 것은 뿐이기 때문이다.

확인 문제 1에 ㉯ 답장을 적어 제출 →

㉮ 답장은 확인 문제 2, ㉰ 답장은 확인 문제 3에 이어 씁니다 — 세 장이 오늘의 본 과제입니다.

체크포인트 3

비교표를 직접 만들었고, 무게를 바꿔 1등이 뒤집히는 것을 보았고, 세 계산서에서 답장의 근거를 골랐다.

다음 정거장 · 정리·확인 10분 →

4

정리·확인 · 10분

오늘의 탐험 일지

정리에 앞서 3분, 선생님이 파견 데스크의 커튼 성적표를 엽니다 — 금요일마다 커튼을 치고 그 뒤 45일의 '범위 밖 1등'을 세어 둔 판입니다. 6월 1일 전 금요일 19곳에서는 통계적 회귀가 14곳에서 1등이었는데, 뒤 9곳에서는 한 곳도 1등이 아니었습니다. 방법이 여름에 갑자기 나빠진 것이 아닙니다 — 커튼 뒤에 놓인 날들이 달라졌을 뿐이에요. 범위 밖의 1등은 방법의 성질이 아닙니다.

찾은 것
같은 비교표 한 장인데 방마다 1등이 달랐다 — ㉮ 는 회귀(2.39점), ㉯ 는 숲(2.20점), ㉰ 는 거절.
도구의 한계
세 방법이 fit·predict 두 함수를 똑같이 쓰는 덕에 바꿔 끼우는 값은 싸졌다. 그러나 도구는 무엇으로 고를지를 주지 않는다.
보고의 규칙
고른 방법과 함께 잣대 · 무게 · 한계를 적는다. 훈련에 그 조건의 날이 0일이면 '답할 수 없다'고 적는 것이 답이다.

✍️ 문제마다 답을 쓰고 제출하기를 누르세요. 제출하면 모범 답안이 열리고, 제출한 답은 선생님께 전달됩니다.

1. ㉯ 재배치 차고 팀장에게 답장한다. 비교표에서 랜덤 포레스트가 RMSE 1등(5,833), 학습 시간 꼴찌(398.3ms)였다. 매일 아침 5분 안에 예측을 받아야 한다면 이 학습 시간이 문제가 되는가? 권하는 방법과 근거, 그리고 그 방법의 한계를 한 줄씩 쓰시오.

📖 모범 답안

모델을 하나만 만든다면 문제가 되지 않는다. 353일 규모에서는 숲도 한 번 학습이 398.3ms(다른 실행에서는 217.7ms)라 0.2~0.4초면 끝난다. 성능이 가장 중요한 ㉯ 에는 랜덤 포레스트를 권한다(㉯ 점수 2.20 · RMSE 5,833).

효율이 결정적이 되는 것은 규모가 커질 때다. 대여소 2,810곳마다 모델을 만들면 숲은 612~1,119초로 새벽 5분(300초)을 넘고, 회귀·트리는 15~25초에 끝난다. 효율은 규모와 함께 판단하고, 시간은 도구 준비가 빠진 두 번째 fit 으로 잰다 — 첫 번의 몇 초를 숲의 탓으로 돌리지 않는다.

한계 — 그 전에 '덜 틀리게'의 뜻을 팀장에게 확인해야 한다. RMSE 로 재면 숲(5,833)이지만, '그날 가장 가까웠던 날'로 재면 트리(33일)가 1등이고 숲은 24일로 꼴찌다. '1만 대 넘게 빗나간 날'로 재면 다시 숲(4일)이다 — 같은 89일인데 잣대가 등수를 바꾼다.

2. ㉮ 시청 정책실에 답장한다. 팀 안에서 "성능이 가장 좋으니 랜덤 포레스트를 쓰자"는 의견이 나왔다. 반대 근거와 절충안을 쓰고, '비가 10mm 오면 몇 대 줄까'를 보고서에 실을 한 문장으로 적은 뒤 그 문장을 어느 방법에서 가져왔는지와 까닭을 쓰시오.

📖 모범 답안

반대 근거 — 숲은 '비 1mm 당 몇 대'라는 문장을 주지 않는다. 나무 100그루의 평균이라 export_text 로 읽을 갈림이 없다. ㉮ 의 점수도 회귀 2.39 · 트리 1.91 · 숲 1.30 으로 숲이 꼴찌다.

절충안 — 보고서 문장은 회귀(또는 트리)로 쓰고, 숲의 예측으로 그 문장이 크게 틀리는 조건을 함께 밝힌다.

한 문장(예) — “20°C 평일 기준, 비가 10mm 오면 대여가 약 1만 대 줄어든다(기온·요일이 같을 때).” 이 문장은 결정 트리에서 가져왔다. 회귀 문장은 10mm 를 −2,846대라 하지만 1년 기록의 짝 비교(7~15mm · 12일)는 −11,181대이고, 트리의 −9,954대가 그 기록과 1.12배로 가장 가깝다. 회귀는 2mm 에서 −569대 대 −4,235대(16일)로 7.4배나 작게 말한다.

이 근거로 설명 점수의 트리를 2 → 3 으로 올리면 ㉮ 의 1등이 회귀 2.39 대 트리 2.61 로 뒤집힌다. ‘㉮ = 회귀’는 정답이 아니라 무게와 점수에 대한 판단이었다는 뜻이다 — 그래서 보고서에는 점수와 함께 그 판단의 근거를 적는다.

3. ㉰ 폭염 대책반에 답장한다. 36.7°C 에 대해 직선은 34,498대, 트리는 21,742대, 숲은 22,103대라고 답했다. 아래 표에 데이터로 답할 수 있는지와 근거 숫자를 채우고, 그 아래에 답장을 쓰시오.

물음	데이터로 답할 수 있나	근거가 되는 숫자
30°C 위 맑은 평일의 대여는 그 아래 구간보다 많은가?
36.7°C 의 대여는 몇 대인가?
36.7°C 에 대비하려면 무엇을 해야 하나?

📖 모범 답안

표 — ① 답할 수 있다: 트리의 갈림에서 11°C 위·비 7mm 아래 구간은 30°C 아래가 27,006대, 30°C 위가 21,742대로 오히려 줄었다. ② 답할 수 없다: 훈련 264일 가운데 36.7°C 이상인 날은 0일이고 31.7°C 이상도 4일뿐이다. ③ 부분만: 관측된 32.5°C 이상 맑은 평일 4일의 실제 대여는 20,693~22,897대였다 — 이것은 사실이지만 3°C 더 더운 날의 값은 아니다.

답장(예) — 세 숫자 가운데 어느 것도 믿을 근거가 없습니다. 그 기온의 날이 자료에 하루도 없기 때문입니다. 직선은 배운 기울기를 그대로 늘여 34,498대를 냈고, 나무와 숲은 가장 더운 칸의 값(21,742 · 22,103대)을 그대로 냈습니다 — 셋은 서로 다른 가정이지 서로 다른 답이 아닙니다.

대신 할 일 — ① 더 더운 날이 담긴 다른 해·다른 도시 자료를 구한다 ② 관측 범위(−14.7~33.7°C)를 밝히고 “이 범위 안에서는 30°C 를 넘으면 오히려 줄었다”까지만 보고한다 ③ 한 숫자 대신 범위로 제시하고 가정을 함께 적는다.

왜 숲을 믿으면 안 되나 — 2018년 7월 20일까지의 자료로 같은 일을 해 보면 세 방법 모두 그 뒤 범위 밖 28일을 많게 불렀다(+13,194 · +7,308 · +5,006대). 그때는 숲이 가장 덜 틀렸지만, 커튼을 3월 9일로 옮기면 셋 다 적게 부르고 (−7,851 · −9,403 · −9,467대) 1등도 바뀐다. 금요일 커튼 28곳에서도 6월 1일 전에는 회귀가 14번 1등, 뒤로는 0번이었다 — 범위 밖 1등은 방법의 성질이 아니라 그때 커튼 뒤에 무엇이 있었느냐다.

4. 같은 비교표로 두 모둠이 서로 다른 방법을 골랐다. 둘 중 하나가 틀렸다고 해야 하는가? 그렇게 판단한 까닭과, 보고서에 무엇을 함께 적어야 하는지 쓰시오.

📖 모범 답안

아니다. 가중치(무엇을 중시하나)가 다르면 같은 표에서도 다른 방법이 뽑힌다. 실제로 무게 (0.2 · 0.1 · 0.7)인 ㉮ 에서는 회귀가 2.39점으로 1등이고, (0.7 · 0.2 · 0.1)인 ㉯ 에서는 숲이 2.20점으로 1등이다 — 표는 한 장인데 1등이 둘이다.

각자 가중치와 근거를 밝히면 둘 다 합리적일 수 있다. 다만 같은 의뢰에서 갈렸다면 의뢰인의 목적을 다시 확인해 가중치를 맞춘다. 설명 점수(회귀 3 · 트리 2 · 숲 1)처럼 사람이 매긴 점수가 섞여 있다면 그 근거도 함께 밝힌다 — 근거가 바뀌면 등수도 바뀐다(트리를 2 → 3 으로 고치면 ㉮ 는 2.61로 트리가 1등).

보고서에 함께 적을 것 — ① 쓴 잣대와 그 무게 ② 무게를 그렇게 준 까닭 ③ 고른 방법의 한계. 무게를 밝히지 않은 보고서에는 '고른 방법'만 남고 '고른 까닭'이 사라진다.

5. Ⅳ단원 프로젝트에서 어느 모둠이 "우리 학교 매점 판매량을 예측하겠다"고 한다. 방법을 고르기 전에 확인할 것 세 가지를 오늘의 네 가지 자와 이어서 쓰시오.

📖 모범 답안

① 목적이 설명인가 예측인가 — 매점 운영자에게 '무엇 때문에 늘었나'를 말해야 한다면 설명(회귀·트리), '내일 몇 개를 들여놓을까'라면 성능(숲도 후보)이다. 자와 방법이 함께 달라진다.

② 데이터가 시간으로 이어지는가 — 날짜별 판매라면 섞어서 나누면 안 된다. 앞 기간으로 배우고 뒤 기간을 맞히는 시간 순서 시험으로 평가한다(오늘의 264일 / 89일처럼).

③ 예측하려는 조건이 데이터 범위 안인가 — 시험 기간·방학·축제처럼 훈련에 없던 날을 물으면 오늘의 ㉰ 와 같은 자리에 선다. 그런 날이 훈련에 며칠 있었는지 먼저 세고, 0일이면 '답할 수 없다'를 답으로 적는다.

덧붙여 효율은 규모와 함께 본다 — 모델 하나면 몇 밀리초 차이는 문제가 아니지만, 품목마다 모델을 만든다면 달라진다.

+

더 알아보기

목적이 방법을 고른 이야기 셋

역사

30초 안에 쓰이는 모델

1952년, 마취과 의사 버지니아 아프가는 갓 태어난 아기의 상태를 재는 아주 간단한 점수표를 만들었습니다. 피부색 · 맥박 · 자극에 대한 반사 · 근육 긴장 · 호흡, 다섯 가지에 0 · 1 · 2점씩을 매겨 더하면 0~10점. 태어난 지 1분과 5분에 두 번 잽니다.

더 정밀한 검사는 그때도 있었습니다. 그런데 분만실에서 필요한 것은 정밀함이 아니라 누구나 몇 초 만에 셈하고, 옆 사람에게 말로 그대로 전할 수 있는 잣대였어요. 간호사와 의사가 같은 칸을 보고 같은 숫자를 말할 수 있어야 하고, 그 숫자가 바로 다음 처치로 이어져야 했습니다. 그 목적이 이 단순한 방법을 70년 넘게 살렸습니다 — 오늘 ㉮ 정책실이 '가장 잘 맞히는 방법' 대신 문장을 낼 수 있는 방법을 고른 것과 같은 이야기입니다.

도해: 다섯 항목 × 0~2점의 빈 점수표와 합계 0~10점 눈금을 그렸다. 실제 아기의 값은 넣지 않았다.

방법 더 깊이

구멍은 둘, 안은 셋 — 바꿔 끼우기가 싸진 까닭

오늘 코드에서 세 방법은 후보 라는 딕셔너리에 담겨 한 반복문으로 돌았습니다. 직선을 긋는 일, 갈림을 만드는 일, 나무 100그루를 기르는 일 — 속은 전혀 다른데도 바깥에 난 구멍은 fit(X, y) 와 predict(X) 둘뿐이라 그렇습니다.

scikit-learn 은 이 두 함수의 이름과 인자 모양을 모든 방법에 똑같이 맞추기로 정했습니다. 그래서 방법을 바꿔 보는 일이 한 줄 고치기가 되었고, 비교표를 만드는 값이 싸졌습니다. 값이 싸졌다는 것은 좋은 소식이지만 함정도 됩니다 — 바꿔 끼우기가 쉬우니 열 가지를 돌려 보고 가장 좋은 점수를 고르는 유혹이 생기지요. 그렇게 고른 점수는 그 시험에만 맞춰진 값입니다. 도구가 낮춰 준 것은 바꿔 보는 값이지 고르는 값이 아닙니다.

도해: 세 방법 상자가 같은 두 구멍(fit · predict)을 갖고 한 반복문에 꽂히는 모습. 상자 안의 설명은 오늘 쓴 설정 그대로다.

현장

관측 밖을 묻는 질문들

㉰ 의 물음은 특별한 물음이 아닙니다. 기후가 바뀌면서 과거에 없던 조건을 다뤄야 하는 일이 늘었어요. 지금까지 겪어 본 적 없는 더위, 겪어 본 적 없는 강수. 과거 자료에서 규칙을 배우는 방법은 그 자리에서 배운 규칙을 연장할 뿐입니다 — 오늘 직선이 기울기를 늘이고 나무가 마지막 칸을 되풀이한 것처럼요.

그래서 이런 물음에는 자료 모델 대신 물리 모델을 씁니다. 공기와 물이 열을 주고받는 법칙을 식으로 세워 계산하면, 관측한 적 없는 조건도 계산 안으로 들어옵니다. 다만 그 계산에는 '앞으로 온실가스를 얼마나 내보낼까' 같은 가정이 필요하지요. 그래서 결과를 하나로 내놓지 않고 시나리오 여럿으로 내놓고, 어느 가정 위의 값인지를 반드시 함께 적습니다. 숫자 하나를 답으로 내미는 대신 가정을 드러내는 것 — 오늘 ㉰ 에게 쓴 답장과 같은 태도입니다.

도해: 관측한 범위에서 끊기는 자료 모델의 곡선과, 그 뒤로 부채처럼 갈라지는 시나리오 세 갈래. 갈래의 자리는 모양을 보인 예시다.