결과 시각화

결과를 어떤 그림과 표로 보여 주어야 분석의 근거가 되는가?

결과 절의 그림과 표는 분석 문단의 근거이다. 그림을 먼저 정하고 그 그림을 설명하는 문단을 쓰는 순서로 작업하면 보고서의 흐름이 자연스럽게 잡힌다. 사례와 관계없이 거의 언제나 들어가는 시각화는 넷이다.

시각화	x축 / y축	읽을 점
학습 곡선	x: epoch, y: 학습/검증 손실(또는 지표)	학습 손실과 검증 손실의 차이, 평탄해지는 때, 과적합이 시작되는 때
비교 표	행: 방법, 열: 평가 지표	기준선보다 나아진 폭, 평균 ± 표준편차의 폭
ablation 막대 그래프	x: 구성, y: 핵심 지표	구성 요소마다의 기여의 크기
대표 사례 시각화	입력 / 정답 / 예측을 같은 좌표계에 놓는다	성공 사례 하나와 실패 사례 하나를 짝짓는다

학습 곡선의 네 가지 꼴

학습 곡선은 모델이 잘 학습되었는지를 가장 빨리 보여 준다. 자기 곡선이 아래 네 꼴 가운데 어디에 해당하는지 보고서에 한 줄 적으면, 읽는 사람이 학습 상태를 한눈에 안다.

꼴	학습 손실	검증 손실	해석과 대응
정상 수렴	줄다가 평탄	줄다가 학습 손실과 비슷한 수준에서 평탄	학습 성공. early stopping 뒤 그대로 보고한다
과적합	계속 준다	어느 epoch 뒤 다시 오른다	검증 손실 최저점에서 early stopping. weight decay, dropout, 증강을 검토한다
과소적합	높은 값에서 평탄	높은 값에서 평탄	모델 용량이나 학습이 모자란다. 모델 확장, epoch 증가, 학습률 조정을 검토한다
학습률이 너무 큼	오르내리며 줄지 않거나 커진다	오르내리며 줄지 않거나 커진다	학습률을 낮추고, gradient clipping과 batch 크기를 검토하고, 손실 식을 다시 확인한다

정한 식으로 합성한 곡선이고 실행 결과가 아니다. 50 epoch 동안의 학습(실선)과 검증(점선) 손실이고, 점은 검증 손실이 가장 낮은 epoch(과적합 곡선은 epoch 23)이다.

해 보기

과적합 꼴에서 검증 손실이 가장 낮은 epoch과 끝의 두 손실 차이를 확인하라.
관찰
검증 손실이 epoch 23에서 0.54로 가장 낮고 그 뒤 오른다. 끝에서 학습 손실과 0.72 벌어진다. early stopping은 epoch 23이다.
과소적합 꼴의 두 손실 차이와 크기를 정상 수렴과 비교하라.
관찰
두 곡선의 차이는 0.05로 정상 수렴(0.06)과 비슷하지만, 둘 다 1.2 넘는 높은 값에 머문다. 차이만 보고 학습이 잘 되었다고 판단하면 안 된다.

그림과 표의 점검

축 이름과 단위: "Loss" 대신 "Training Loss (BCE+Dice)", "Epoch" 대신 "Epoch (batch size 16)"처럼 구체적으로 쓴다.
범례: 그래프 안쪽의 빈 곳에 두고, 선 둘 이상이 겹치면 반드시 넣는다.
색: 색각 이상을 고려한 팔레트(viridis, plasma, tab10)를 권한다. 흑백으로 인쇄해도 구별되는지 확인한다.
표: 평균 ± 표준편차 표기를 일관되게 쓴다. 가장 좋은 결과는 굵게 하되, 한 표 안에서는 강조 방식 하나만 쓴다.
중복 피하기: 같은 정보를 표와 그림으로 두 번 보이지 않는다. 한쪽에서만 보이고 다른 쪽은 다른 단면을 보이게 한다.

아래는 자기 사례에 맞추어 채워 넣을 비교 표의 골격이다. 지표 이름은 사례마다 다르지만 행 구조(기준선 / 제안 / ablation)는 거의 그대로 쓴다.

방법	주 지표 1 ↑	주 지표 2 ↓	비고
기준선(재현)	0.XX ± 0.0X	X.XX ± 0.X	교재 수치와의 차이 한 줄
제안	0.YY ± 0.0Y	Y.YY ± 0.Y	이 보고서의 기여
ablation: 구성 요소 A 제거	0.ZZ ± 0.0Z	Z.ZZ ± 0.Z	A의 기여

읽는 사람은 보고서를 처음부터 끝까지 정독하지 않을 수도 있다. 대표 그림 한 장과 비교 표 하나만 보아도 무엇을 했고 무엇을 알아냈는지 알 수 있어야 한다. 그림 캡션과 표 제목에 그것이 무엇을 보여 주는지를 한 문장으로 밝혀 두면 본문을 건너뛴 사람도 결론에 닿는다.