모델 성능 평가 지표 정리

머신러닝 모델의 성능을 평가하는 것은 매우 중요합니다. 특히 분류 문제에서는 단순한 **정확도(Accuracy)**만으로는 충분하지 않기 때문에, 다양한 지표를 함께 고려해야 합니다. 이 글에서는 대표적인 분류 모델 평가 지표 4가지를 설명합니다.

---

1. 정확도 (Accuracy)

정의: 전체 데이터 중에서 모델이 정답을 맞춘 비율

공식:

Accuracy = (TP + TN) / (TP + FP + FN + TN)

• TP: True Positive
• TN: True Negative
• FP: False Positive
• FN: False Negative

장점: 직관적이고 이해하기 쉬움

단점: 클래스 불균형 데이터에서는 왜곡된 결과를 줄 수 있음

---

2. 정밀도 (Precision)

정의: 모델이 Positive라고 예측한 것 중에서 실제로도 Positive인 비율

공식:

Precision = TP / (TP + FP)

활용: 잘못된 Positive 예측이 큰 비용을 유발하는 경우 (예: 스팸메일 필터링)

---

3. 재현율 (Recall, Sensitivity)

정의: 실제 Positive 중에서 모델이 Positive로 정확히 예측한 비율

공식:

Recall = TP / (TP + FN)

활용: 놓치면 안 되는 경우에 중요 (예: 암 진단)

---

4. F1 Score

정의: 정밀도와 재현율의 조화 평균 (둘 사이의 균형)

공식:

F1 = 2 * (Precision * Recall) / (Precision + Recall)

활용: 정밀도와 재현율을 동시에 고려해야 하는 상황에 유용

---

정리 표

지표 의미 민감한 상황 예시

Accuracy	전체 중 정답 맞춘 비율	클래스 비율이 비슷할 때
Precision	예측한 Positive 중 실제 Positive 비율	스팸 필터링, 금융 사기 탐지 등
Recall	실제 Positive 중 예측 성공한 비율	질병 진단, 결함 감지 등
F1 Score	Precision과 Recall의 균형	성능 균형이 중요한 상황

---

결론

모델의 목적과 데이터 특성을 고려해 적절한 지표를 선택해야 합니다. 한 가지 지표만 보는 것이 아닌, 여러 지표를 종합적으로 해석하는 것이 현명한 모델 평가 방법입니다.

---

https://link.coupang.com/a/cpQy6K

머신 러닝 교과서 with 파이썬 사이킷런 텐서플로 개정 3판 - 클라우드/빅데이터 | 쿠팡

 

이 포스팅은 쿠팡 파트너스 활동의 일환으로, 이에 따른 일정액의 수수료를 제공받습니다.