Learn AI with Python · 강의

분류 평가 지표 심층 학습

오차 행렬, 정밀도, 재현율, F1, ROC-AUC, PR 곡선 중 적절한 지표를 선택하는 방법을 다룹니다.

분류 평가 지표 심층 학습은(는) CoddyKit의 무료 Learn AI with Python 강의입니다. 이것은 4개 중 2번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Learn AI with Python 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

정확도만으로는 충분하지 않습니다

정확도는 올바르게 예측한 비율이지만, 불균형 데이터에서는 오해를 불러일으킬 수 있습니다. 다수 클래스만 예측하는 모델이 99%의 점수를 얻으면서도 소수 클래스에는 쓸모없을 수 있습니다.

오차 행렬

오차 행렬은 예측을 참양성, 위양성, 참음성, 위음성으로 나눕니다. 이는 다른 모든 지표의 기반이 됩니다.

from sklearn.metrics import confusion_matrix

y_true = [0, 1, 1, 0, 1, 0]
y_pred = [0, 1, 0, 0, 1, 1]
print(confusion_matrix(y_true, y_pred))
# rows = actual, columns = predicted

정밀도

정밀도 = TP / (TP + FP)입니다. 양성으로 예측한 모든 항목 중 실제 양성은 몇 개인지를 나타냅니다. 정밀도가 높다는 것은 오탐이 적다는 뜻입니다. 오탐의 비용이 큰 경우(예: 스팸 필터)에 중요합니다.

from sklearn.metrics import precision_score

print(precision_score(y_true, y_pred))

재현율

재현율 = TP / (TP + FN)입니다. 실제 양성인 모든 항목 중 몇 개를 찾아냈는지를 나타냅니다. 재현율이 높다는 것은 놓치는 경우가 적다는 뜻입니다. 위음성의 비용이 큰 경우(예: 질병 검사)에 중요합니다.

from sklearn.metrics import recall_score

print(recall_score(y_true, y_pred))

F1 점수

F1 점수는 정밀도와 재현율의 조화 평균입니다: 2 * P * R / (P + R). 두 지표의 균형을 맞추며, 불균형 데이터에서 하나의 수치가 필요할 때 유용합니다.

from sklearn.metrics import f1_score, classification_report

print(f1_score(y_true, y_pred))
print(classification_report(y_true, y_pred))

ROC 곡선과 AUC

ROC 곡선은 여러 임계값에서 참양성률과 위양성률을 그래프로 나타냅니다. roc_auc_score는 이를 하나의 수치로 요약합니다. 1.0은 완벽한 성능이고 0.5는 무작위 추측과 같습니다.

from sklearn.metrics import roc_auc_score

# needs probability scores, not hard labels
proba = model.predict_proba(Xte)[:, 1]
print(roc_auc_score(yte, proba))

정밀도-재현율 곡선

PR 곡선은 여러 임계값에서 정밀도와 재현율을 그래프로 나타냅니다. 양성 클래스에 초점을 맞추므로 클래스가 심하게 불균형한 경우 ROC보다 더 많은 정보를 제공합니다.

from sklearn.metrics import precision_recall_curve

prec, rec, thresh = precision_recall_curve(yte, proba)
# plot rec (x) vs prec (y) to see the tradeoff

평균 정밀도

average_precision_score는 PR 곡선을 하나의 수치로 요약합니다(PR 곡선 아래 면적). 불균형 이진 분류에서 가장 권장되는 요약 지표입니다.

from sklearn.metrics import average_precision_score

print(average_precision_score(yte, proba))

ROC AUC와 평균 정밀도

불균형 데이터에서는 참음성이 다수를 차지하므로 ROC AUC가 낙관적으로 보일 수 있습니다. 평균 정밀도는 참음성을 무시하고 소수 양성 클래스에 대한 성능을 더 정직하게 반영합니다.

적절한 지표 선택

불균형 문제에는 F1 또는 평균 정밀도를 사용하십시오. 균형 잡힌 순위 품질을 평가할 때는 ROC AUC를 사용하십시오. 오탐이 문제가 되면 정밀도를, 놓치는 경우가 문제가 되면 재현율을 선택하십시오. 선택하기 전에 항상 우선순위를 정하십시오.

임계값 조정

대부분의 지표는 결정 임계값(기본값 0.5)에 따라 달라집니다. 임계값을 변경하면 정밀도와 재현율 사이의 균형이 달라집니다. 비즈니스 요구 사항을 충족하는 임계값을 선택하려면 PR 곡선을 사용하십시오.

import numpy as np

# pick threshold for at least 0.9 precision
idx = np.argmax(prec >= 0.9)
chosen = thresh[idx]
preds = (proba >= chosen).astype(int)

빠른 확인

평가 지표에 대한 이해도를 테스트해 보십시오.

복습

복습: confusion_matrix에서 시작하십시오. 정밀도는 오탐을, 재현율은 누락을 중점적으로 반영하며, F1은 둘 사이의 균형을 맞춥니다. roc_auc_score는 순위 품질을 측정하고, average_precision_score와 PR 곡선은 불균형 데이터에 더 적합합니다. 우선순위에 맞게 임계값을 조정하십시오.

자주 묻는 질문

“분류 평가 지표 심층 학습” 강의는 무료인가요?

네 — “분류 평가 지표 심층 학습” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Learn AI with Python 강의 전체를 잠금 해제할 수 있습니다. Learn AI with Python 강의에는 총 4개의 강의가 포함되어 있습니다.

“분류 평가 지표 심층 학습”에서 뭘 배우나요?

오차 행렬, 정밀도, 재현율, F1, ROC-AUC, PR 곡선 중 적절한 지표를 선택하는 방법을 다룹니다. 브라우저에서 직접 실행하는 실습 코드로 Learn AI with Python을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Learn AI with Python을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Learn AI with Python은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 2번째 강의입니다.

“분류 평가 지표 심층 학습” 강의는 얼마나 걸리나요?

대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.

이 Learn AI with Python 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Learn AI with Python 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.

이 강의의 모든 강의

← Learn AI with Python(으)로 돌아가기