# train_size

## 개요

`train_size`는 머신러닝 및 데이터 과학 분야에서 모델 학습을 위한 데이터 분할 과정에서 사용되는 **하이퍼파라미터** 중 하나로, 전체 데이터셋 중 **학습 데이터**(training set)로 사용할 비율 또는 개수를 지정하는 파라미터입니다. 이 파라미터는 모델의 학습 성능과 일반화 능력에 직접적인 영향을 미치며, 적절한 설정이 중요합니다. 주로 `scikit-learn` 라이브러리의 `train_test_split` 함수에서 사용되며, 검증 및 테스트 데이터셋의 구성과 밀접하게 연관됩니다.

---

## train_size의 역할과 중요성

### 데이터 분할의 기본 구조

머신러닝 프로젝트에서는 전체 데이터를 일반적으로 다음과 같이 나눕니다:

- **학습 데이터**(Training Set): 모델 학습에 사용
- **검증 데이터**(Validation Set): 하이퍼파라미터 튜닝 및 모델 성능 평가에 사용
- **테스트 데이터**(Test Set): 최종 모델의 일반화 성능을 평가하는 데 사용

이러한 분할에서 `train_size`는 학습 데이터의 크기를 결정합니다. 나머지 데이터는 자동으로 검증 및 테스트 데이터로 할당됩니다.

### train_size의 기본 형태

`train_size`는 다음과 같은 두 가지 방식으로 지정할 수 있습니다:

- **비율**(float): 전체 데이터 중 학습 데이터로 사용할 비율 (예: 0.8 → 80%)
- **개수**(int): 학습 데이터로 사용할 샘플의 정수 개수 (예: 1000 → 1000개의 샘플)

예시 (Python, scikit-learn):

```python
from sklearn.model_selection import train_test_split

X_train, X_test, y_train, y_test = train_test_split(
    X, y, 
    train_size=0.8,   # 또는 train_size=800
    random_state=42
)
```

---

## train_size 설정 시 고려 사항

### 1. 데이터 크기와 균형

- **소규모 데이터셋**: 너무 작은 학습 데이터는 과소적합(underfitting)을 유발할 수 있음. 이 경우 `train_size`를 70% 이상으로 설정하는 것이 일반적.
- **대규모 데이터셋**: 충분한 학습 데이터가 확보된 경우, 검증/테스트 데이터를 늘려 성능 평가의 신뢰도를 높일 수 있음.

### 2. 데이터의 분포 유지

`train_size`를 설정할 때, **레이블의 분포**(클래스 균형)가 학습 및 테스트 세트 간에 유지되어야 합니다. 이를 위해 `stratify` 옵션을 사용하는 것이 좋습니다.

```python
X_train, X_test, y_train, y_test = train_test_split(
    X, y,
    train_size=0.7,
    stratify=y,         # 클래스 비율 유지
    random_state=42
)
```

### 3. 일반적인 비율 조합

| 학습 비율 (`train_size`) | 검증 + 테스트 비율 | 사용 사례 |
|--------------------------|--------------------|----------|
| 0.6 ~ 0.7                | 0.3 ~ 0.4          | 소규모 데이터, 기초 실험 |
| 0.8                      | 0.2                | 일반적인 분할 (검증+테스트 포함) |
| 0.9                      | 0.1                | 대규모 데이터, 검증 데이터 최소화 시 |

> 🔍 **참고**: `train_size`와 `test_size`를 동시에 지정하면 오류가 발생할 수 있으므로, 하나만 지정하는 것이 안전합니다.

---

## train_size와 관련된 하이퍼파라미터

`train_size`는 독립적인 하이퍼파라미터는 아니지만, 다음과 같은 설정과 밀접하게 연관됩니다:

- `test_size`: 테스트 데이터 비율. `train_size`와 합이 1이 되어야 함.
- `random_state`: 재현 가능성을 보장하는 시드 값.
- `shuffle`: 데이터를 무작위로 섞을지 여부 (기본값: True).

---

## 실전 예시: train_size의 영향 분석

다음은 `train_size`를 다르게 설정했을 때 모델 성능에 미치는 영향을 시뮬레이션한 예시입니다:

```python
import numpy as np
from sklearn.datasets import make_classification
from sklearn.model_selection import train_test_split
from sklearn.ensemble import RandomForestClassifier
from sklearn.metrics import accuracy_score

# 가상 데이터 생성
X, y = make_classification(n_samples=1000, n_features=20, random_state=42)

sizes = [0.5, 0.7, 0.8, 0.9]
results = []

for size in sizes:
    X_train, X_test, y_train, y_test = train_test_split(
        X, y, train_size=size, random_state=42
    )
    
    model = RandomForestClassifier(random_state=42)
    model.fit(X_train, y_train)
    pred = model.predict(X_test)
    acc = accuracy_score(y_test, pred)
    
    results.append({'train_size': size, 'accuracy': acc})

print(results)
```

**예상 결과**:
- `train_size`가 너무 작으면 정확도가 낮게 나타남 (학습 부족)
- `train_size`가 너무 크면 검증 데이터가 부족해 성능 평가 신뢰도 하락

---

## 참고 자료 및 관련 문서

- [scikit-learn 공식 문서 - train_test_split](https://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html)
- [Hyperparameter Tuning Guide - Google ML Best Practices](https://developers.google.com/machine-learning/guides/rules-of-ml)
- 관련 하이퍼파라미터: `test_size`, `validation_size`, `random_state`

---

## 결론

`train_size`는 머신러닝 파이프라인에서 모델 학습의 기초를 형성하는 중요한 설정 요소입니다. 데이터의 크기, 품질, 분포를 고려하여 적절한 값을 선택해야 하며, 과소적합 또는 과적합을 방지하는 데 핵심적인 역할을 합니다. 반복적인 실험과 교차 검증(cross-validation)을 통해 최적의 `train_size`를 도출하는 것이 이상적입니다.