정밀도, 재현율, F1

정확도 너머를 살펴보려면 클래스마다 결과를 네 가지 범주로 나눕니다. 여기서 중요한 지표인 정밀도, 재현율, F1이 나옵니다.

스팸이나 사기처럼 관심 있는 클래스를 양성으로 정하십시오. 정밀도와 재현율은 모두 해당 클래스를 얼마나 잘 처리하는지 나타냅니다.

정밀도는 양성이라고 표시한 것 중 실제로 양성인 것이 몇 개인지 묻습니다. 정밀도가 높다는 것은 잘못된 경보가 적다는 뜻입니다.

재현율은 실제 양성인 것 중 몇 개를 찾아냈는지 묻습니다. 재현율이 높다는 것은 놓치는 사례가 적다는 뜻입니다.

정밀도와 재현율은 대개 상충합니다. 더 많은 항목을 표시하면 재현율은 오르지만 정밀도는 떨어지고, 더 적게 표시하면 반대 현상이 일어납니다.

스팸 필터는 정밀도를 중시합니다. 정상 메일을 잘못 버리는 비용이 크기 때문입니다. 암 검사는 놓치는 사례가 훨씬 심각하므로 재현율을 중시합니다.

F1 점수는 정밀도와 재현율의 조화 평균을 사용하여 두 지표를 하나의 숫자로 결합하고, 둘 다 잘하는 모델에 높은 점수를 줍니다.

F1은 모델이 점수를 속일 수 없도록 조화 평균을 사용합니다. 정밀도나 재현율 중 하나라도 0에 가까우면 F1도 낮게 유지됩니다.

scikit-learn은 정리된 classification_report를 사용하여 세 지표를 한 번에 출력하므로 클래스별 결과를 훑어볼 수 있습니다.

양성 클래스의 F1만 필요하다면 특정 지표 하나를 직접 가져올 수도 있습니다.

모든 상황에 가장 좋은 지표는 없습니다. 문제에서 각 실수가 발생시키는 현실적인 비용에 따라 정밀도, 재현율 또는 F1을 선택하십시오.

정밀도는 잘못된 경보를 줄이고, 재현율은 놓치는 사례를 줄이며, F1은 둘 사이의 균형을 맞춥니다. 각 오류의 비용에 따라 지표를 선택하십시오. 📊