# 층화 분리된 데이터 분할

## 분할 방법

- **층화 분리 (Stratified Split)**: industry 라벨 분포를 고려하여 분할
- **design_idx 그룹화**: 동일한 디자인이 여러 split에 나뉘지 않도록 처리
- **비율**: Train 70% / Val 10% / Test 20%
- **Random Seed**: 42

## 통계

### Design 수
- Train: 44,022개 designs
- Val: 6,228개 designs
- Test: 12,736개 designs
- Total: 62,986개 designs

### 레코드 수
- Train: 70,109개 records
- Val: 9,981개 records
- Test: 20,340개 records
- Total: 100,430개 records

### Industry 분포 (Train 상위 10개)
- 기업/비즈니스/전문서비스 > 제조/중공업/기계/금속: 3,645개 (5.20%)
- IT/테크 > IT/웹/데이터: 2,602개 (3.71%)
- 부동산/건축/환경 > 건축 > 건축설계/인테리어시공: 2,127개 (3.03%)
- 업종 범용 > 기획안/보고서/제안서: 2,000개 (2.85%)
- 업종 범용 > 시설안내/오피스관리: 1,928개 (2.75%)
- 의료/건강 > 병원/의원/의료기관: 1,640개 (2.34%)
- 공공/기관 > 정부/공공기관 > 중앙정부/지자체: 1,628개 (2.32%)
- 교육/커리어 > 학원/온라인교육/기타 > 일반학습학원: 1,574개 (2.25%)
- 식음료/외식 > 식재료/식품판매 > 농산/청과/임산: 1,282개 (1.83%)
- 부동산/건축/환경 > 환경/에너지/ESG > 환경정화/폐기물: 1,228개 (1.75%)


## 검증

각 split의 industry 분포가 전체 데이터의 분포와 유사하게 유지됩니다.

## 재현 방법

```bash
cd opensource
python scripts/stratified_split.py
```

**생성일**: 2026-03-10
**방법**: Stratified sampling by industry labels with design_idx grouping