머신러닝 (ML) 시스템은 범용 코드뿐만 아니라 머신러닝 전용 코드로 구성됩니다. 머신러닝 전용 코드 스멜 (Code Smells)이 식별되어 왔으나, 프로젝트 특성과의 연관성 및 전체적인 코드 품질과의 상호작용은 명확히 이해되지 않고 있습니다. 이러한 지식 없이는 품질 보증 (Quality Assurance) 전략이 천편일률적인 방식에 머물게 되며, 머신러닝 시스템에서 기술 부채 (Technical Debt)를 유발하는 맥락적 요인들을 고려하지 못하게 됩니다. 본 연구에서는 GitHub의 279개 오픈 소스 머신러닝 프로젝트를 대상으로 6가지 프로젝트 특징(규모, 연령, 기여자 수, 커밋 빈도, CI/CD 도입 여부, 도메인)이 머신러닝 전용 및 일반 Python 코드 품질과 어떻게 연관되는지 조사하여 실증적 증거를 제시합니다. 머신러닝 코드 스멜 탐지를 위해 CodeSmile을, 일반 Python 스멜 탐지를 위해 Pylint를 사용한 결과는 다음과 같습니다: (1) 머신러닝 코드 스멜은 일반 Python 스멜보다 발생 빈도가 41~94배 낮습니다; (2) 커밋 빈도와 도메인은 머신러닝 전용 품질과 유의미한 연관이 있는 반면, 프로젝트 규모, 팀 규모, 연령 및 CI/CD 도입 여부는 연관이 없으며, 이는 기술 부채에 대한 전통적인 관점에 도전하는 결과입니다; (3) 일반 Python 스멜은 어떠한 프로젝트 특성과도 연결되지 않으며, 이는 프로젝트 맥락과 독립적인 시스템적 코딩 문제를 나타냅니다; (4) 머신러닝 전용 스멜로 인해 가장 큰 피해를 입는 도메인이 반드시 일반 Python 스멜로 인해 가장 큰 피해를 입는 도메인과 일치하지는 않으며, 이는 각 스멜 유형에 맞는 맞춤형 품질 전략이 필요함을 시사합니다. MLOps는 종종 설정 (Configuration) 문제를 수반하고, 강화학습 (Reinforcement Learning)은 텐서 조작 (Tensor Manipulation)에서 어려움을 겪으며, 컴퓨터 비전 (Computer Vision)은 GPU 워크플로우 (Workflows)에서 문제를 마주합니다. 종합적으로, 머신러닝 코드 품질은 도메인별 관행과 특화된 CI/CD 품질 게이트 (Quality Gates)에 의존하며, 이는 표준 자동화가 도메인 특화된 정확성 문제들을 종종 간과하기 때문입니다.