P3-9.7 예측 시점에 쓸 입력과 이후 결과는 어떻게 구분하는가¶

Section ID: P3-9.7 Version: v2026.09.20

P3-9.6에서 같은 라벨의 뜻과 판정 조건을 확인했습니다. 이제 결과가 정해지기 전에 실제로 사용할 수 있었던 정보로 입력을 만들어야 합니다. 예측 계약은 예측 대상, 입력을 만드는 시점과 규칙, 맞힐 결과의 정의를 함께 정한 약속입니다. 열 이름뿐 아니라 각 값이 언제 사용 가능했는지를 확인합니다.

10시의 입력으로 이후 7일을 예측한다¶

다음은 시간 경계를 설명하기 위한 가상 장비 사례입니다. 예측 한 번의 대상은 equipment_id=M-01의 2026-09-01 10:00 상태이며, 모든 시각은 한국 표준시(KST)입니다. 같은 장비라도 예측 시점이 다르면 별도 샘플로 구분합니다.

이 사례에서 고장은 “장비 자체의 이상으로 예정된 동작을 완료하지 못했고 정비 기록에서 원인이 확인된 경우”로 정합니다. 계획 정지는 제외하고 이 정의를 failure-v1으로 기록합니다. 아래 수치와 ID는 설명용이며 실제 장비의 위험을 뜻하지 않습니다.

과거에 측정했어도 늦게 도착하면 쓸 수 없다¶

특징은 모델에 넣는 입력 값입니다. recent_diff는 여기서 같은 측정 조건의 최근 평균 유량에서 기준선 평균 유량을 뺀 값입니다. 최근 평균 2.20 L/min과 기준선 2.52 L/min을 사용하면 2.20 − 2.52 = −0.32 L/min입니다.

feature_available_at은 해당 특징 값이 시스템에서 실제 사용 가능해진 시각입니다. 원자료의 도착뿐 아니라 필요한 계산이 완료되어야 합니다. 같은 recent_diff라는 이름이어도 9월 1일에 확정한 값과 9월 2일 자료로 다시 만든 값은 다릅니다. 나중에 작성한 표에서 날짜만 과거로 표시해도 당시 입력이 되지는 않습니다.

이후 결과를 입력으로 넣으면 답을 미리 준다¶

예측 때 알 수 없는 정보를 모델 구성에 사용하는 것은 데이터 누수입니다. 뒤늦게 확인한 결과를 학습의 정답으로 연결하는 것은 필요하지만, 그 값을 같은 샘플의 입력에도 넣으면 미래 정보를 준 셈입니다.

이 두 행에서는 답을 복사했으므로 2 / 2 = 100%가 맞습니다. 모델의 미래 예측 능력을 시험한 결과가 아닙니다. 누수의 영향을 설명하려고 만든 사례이며, 누수가 항상 점수를 이만큼 올린다는 뜻도 아닙니다. 점수의 높고 낮음과 별개로 입력의 시점 가용성을 먼저 확인해야 합니다.

review_result=skipped도 고장 없음이나 정상이라는 결과가 아닙니다. 이것은 검토를 건너뛰었다는 처리 상태입니다. 이후 고장 결과가 필요한 문제에서는 별도의 관측·확정 기록을 찾아야 합니다.

예측 시점에서 입력과 이후 결과 나누기¶

flowchart TD
    A["09:58 특징 사용 가능"]
    B["09:59 센서 측정 발생"]
    C["09/01 10:00 입력 마감 · 예측"]
    D["10:02 측정 도착 · 당시 입력 제외"]
    E["09/03 14:00 고장 발생"]
    F["09/08 10:00 결과 기간 종료"]
    G["09/08 10:10 결과 표 반영"]
    H["당시 입력과 이후 결과를 별도 열로 연결"]
    A --> B --> C --> D --> E --> F --> G
    A -.-> H
    G --> H

화살표는 시간 순서와 기록의 연결을 나타내며 시간 간격의 길이를 나타내지는 않습니다. 09:59 측정은 10시 마감보다 앞에 있어도 10:02에 도착하므로 당시 입력에 합칠 수 없습니다. 나중에 학습 표를 만들 때도 마감 당시 사용할 수 있었던 입력을 재구성하고 결과는 별도 열로 연결합니다.

Part 4로 넘길 한 행의 근거¶

표의 원자료·고장·정비 기록 ID는 실제 인계 때 구체적인 값으로 채워야 합니다. 여기서는 연결할 기록의 종류만 제시했으므로 이 표 자체가 학습 준비를 마친 실제 데이터는 아닙니다. 특징이 여러 개라면 각 특징의 사용 가능 시각을 따로 확인합니다.

연습: ① 09:59 측정의 도착이 09:59:30으로 빨라졌다면 이를 평균에 넣을 수 있을까요? ② 9월 2일 기준선으로 다시 계산한 값을 9월 1일 행에 덮어써도 될까요? ③ 미검토 상태를 결과 0으로 바꾸어도 될까요?

해설: ① 도착만 빨라졌다고 자동 포함하지 않습니다. 이 사례의 평균은 09:55까지 완료된 동작이 대상이므로 먼저 집계 범위에 해당하는지 확인해야 합니다. 입력 정의를 바꾸려면 원자료 확인과 특징 계산까지 10시 전에 끝나고 운영에서도 같은 규칙을 재현할 수 있어야 합니다. ② 미래 정보가 들어가므로 덮어쓰지 않습니다. 당시 기준선과 입력 버전을 보존합니다. ③ 미검토는 결과 미확인이므로 0으로 바꾸지 않습니다.

한 줄 특징 벡터든 시간 순서를 보존한 입력 묶음이든 이 시간 경계는 같습니다. Part 4에는 입력 값과 결과뿐 아니라 당시 입력을 다시 만들 수 있는 근거도 넘깁니다. 실제 학습·평가 분할은 P3-9.13의 인계 항목과 이어집니다.

체크리스트¶

• 7일의 시작·끝과 포함 여부를 적고, 입력 시각과 결과 관측 기간을 구분할 수 있는가?
• 09:59 측정·10:02 도착, 미래 기준선 재계산, 검토 후 결과를 입력에서 제외하는 이유를 설명할 수 있는가?
• 같은 입력을 당시 자료와 버전으로 재현하고, 미검토 상태를 결과 0과 구분할 수 있는가?

출처와 참고 자료¶

• Google, Machine Learning Glossary, feature, label, label leakage. 특징이 모델의 입력 변수이며, 라벨 누수가 라벨의 대리값이 특징에 섞이는 설계 결함이라는 용어 기준을 확인하는 데 참고했습니다. https://developers.google.com/machine-learning/glossary / 확인일: 2026-07-20
• Google, Datasets: Dividing the original dataset. 훈련·검증·테스트 분리, 같은 특징 변환을 실제 운영 데이터에도 적용해야 한다는 설명, 테스트/검증 데이터가 실제 데이터와 맞아야 한다는 관점을 확인하는 데 참고했습니다. https://developers.google.com/machine-learning/crash-course/overfitting/dividing-datasets / 확인일: 2026-07-20

• W3C, PROV-Overview: An Overview of the PROV Family of Documents. 처리 단계, 재현 가능성, 버전 관리, 파생 관계를 provenance 관점에서 남기는 기준을 확인하는 데 참고했습니다. https://www.w3.org/TR/prov-overview/ / 확인일: 2026-07-20

• scikit-learn, Common pitfalls and recommended practices. 예측 때 사용할 수 없는 정보의 누수와 학습·운영의 동일한 입력 변환 기준을 확인했습니다. 확인일: 2026-09-20.