머신러닝 - 분류 모델의 평가지표(Classification)

개인공부 후 자료를 남기기 위한 목적임으로 내용 상에 오류가 있을 수 있습니다.

분류 모델의 평가지표(Classification)이 왜 중요한가?

모델 성능을 잘못 해석하면 실제로는 못 쓰는 모델을 선택할 수 있고, 비즈니스 목표(예: 불량 최소화/조기경보/추천 정확성)와 어긋난 판단을 내릴 수 있다.

핵심: “문제의 성격(분류/회귀/랭킹/불균형 등)과 비즈니스 목표”에 맞는 지표를 고르는 것이 성능 수치 그 자체보다 중요

• TP(진양성): 실제 양성을 양성으로 맞춤
• TN(진음성): 실제 음성을 음성으로 맞춤
• FP(위양성, Type I 오류): 실제 음성인데 양성으로 잘못 예측
• FN(위음성, Type II 오류): 실제 양성인데 음성으로 잘못 예측

정확도(Accuracy)

실제와 맞게 예측한 확률

정밀도(Precision)=예측력

예측을 참이라고 했는데, 실제로도 참인 확률

• 해석: “양성이라 예측한 것 중 실제로 맞춘 비율”

• 🕐 사용 시기: False Positive(오탐) 를 특히 줄여야 할 때
  (예: 스팸 분류에서 정상메일을 스팸으로 막으면 곤란)

재현율(Recall, Sensitivity)=민감도

실제로 참인 경우, 예측도 참으로 한 확률

• 해석: “실제 양성 중에서 얼마나 잘 찾아냈는가”

• 🕐 사용 시기: False Negative(미탐) 를 특히 줄여야 할 때
  (예: 질병 진단, 사기 탐지의 조기경보)

특이도(Specificity)

실제로 거짓인데, 예측도 거짓으로 한 확률

• 해석: “실제 음성을 얼마나 잘 골라내는가”

F1 점수(F1 Score)

정밀도–재현율의 조화평균

• 🕐 사용 시기: 두 지표 모두 중요하고, 불균형이 있는 경우

F-베타(F-β) 점수

• β>1: 재현율에 더 큰 가중치
• β<1: 정밀도에 더 큰 가중치
• β=1: F1과 동일