정밀도와 재현율 차이, 분류 결과의 분모부터 이해하기
페이지 정보
본문
정밀도와 재현율을 이해하려면 먼저 어떤 결과를 양성이라고 부를지 정해야 합니다. 예를 들어 특정 분류에 해당한다고 판단하는 쪽을 양성으로 둘 수 있습니다.
양성이라는 말이 반드시 좋거나 바람직한 결과를 뜻하는 것은 아닙니다. 정답과 예측을 비교해 맞힌 양성, 잘못 예측한 양성, 놓친 양성을 구분하면 두 지표의 분모가 왜 다른지 이해하기 쉽습니다.
AI 생성 삽화 · 정밀도와 재현율 차이, 분류 결과의 분모부터 이해하기 관련 설명용 이미지입니다.
핵심 정리
정밀도는 양성으로 예측한 결과를, 재현율은 실제 양성 전체를 기준으로 맞힌 비율을 봅니다.
1. 정밀도는 예측한 양성을 기준으로 봅니다
정밀도는 모델이 양성이라고 예측한 것 중 실제로 양성인 비율입니다. 식으로는 TP를 TP와 FP의 합으로 나눕니다.
TP는 맞힌 양성이고 FP는 실제로 음성인데 양성으로 예측한 경우입니다. 따라서 정밀도를 볼 때는 모델이 선택한 결과에 얼마나 잘못된 선택이 섞였는지 생각할 수 있습니다.
양성 예측 자체가 없는 상황에서는 분모가 0이 되므로 사용하는 도구의 처리 방식도 확인해야 합니다.
정밀도를 문장으로 읽을 때는 먼저 모델이 골라낸 묶음을 머릿속에 그려봅니다. 문서 분류에서 관련 문서라고 표시한 목록을 열고, 그 안에 실제 관련 문서가 얼마나 있는지 확인하는 질문입니다.
목록 밖에 놓친 문서가 몇 개 있는지는 이 질문만으로 알 수 없습니다. 따라서 정밀도가 높다는 말에 '필요한 문서를 거의 모두 찾았다'는 의미를 덧붙이면 지표를 잘못 읽게 됩니다.
보고서에는 점수 옆에 양성으로 정의한 대상과 실제 양성 예측 수를 함께 적으면 분모를 놓치지 않기 쉽습니다.
2. 재현율은 실제 양성 전체를 기준으로 봅니다
재현율은 실제 양성 중 모델이 찾아낸 비율입니다. TP를 TP와 FN의 합으로 나누며 FN은 실제 양성인데 음성으로 예측해 놓친 경우입니다.
같은 맞힌 개수를 사용해도 무엇을 기준으로 나누는지가 정밀도와 다릅니다. 예측한 목록이 정확한지 묻는 질문과 찾아야 할 대상을 얼마나 놓쳤는지 묻는 질문은 서로 다르므로 두 지표를 함께 살펴야 합니다.
재현율은 모델의 출력 목록을 출발점으로 삼지 않습니다. 평가 자료에서 실제로 찾아야 하는 문서를 먼저 모아두고 그중 어느 정도가 선택됐는지를 봅니다.
같은 정답 집합에서 여섯 개를 찾았다는 사실은 변하지 않아도 잘못 선택한 문서 수에 따라 정밀도는 달라질 수 있습니다. 반대로 선택 목록의 정확성이 같아 보여도 실제 찾아야 할 대상 수가 다르면 재현율은 달라집니다.
두 지표를 비교할 때 예측 목록과 정답 목록을 각각 표시하는 습관이 계산식만 외우는 것보다 도움이 됩니다.
3. 작은 숫자로 직접 비교합니다
가상의 예로 실제 양성이 10개이고 모델이 그중 6개를 찾았다고 가정합니다. 모델이 양성이라고 고른 결과에는 실제 음성 2개도 섞여 있습니다.
그러면 정밀도는 6을 8로 나눈 75%이고 재현율은 6을 10으로 나눈 60%입니다. 두 값이 다른 것은 계산 오류가 아니라 평가하는 기준이 다르기 때문입니다.
이 숫자는 개념 설명을 위한 예시이며 특정 모델의 실측 결과가 아닙니다.
앞의 가상 사례를 수량으로 다시 적으면 맞힌 양성 여섯 개, 잘못 고른 양성 두 개, 놓친 양성 네 개입니다. 여기에 실제 음성의 전체 개수는 아직 주어지지 않았으므로 전체 정확도까지 계산할 수는 없습니다.
정밀도와 재현율이 계산됐다고 모든 지표의 분모가 준비된 것은 아닙니다. 설명 자료를 만들 때에는 계산에 사용한 수와 아직 모르는 수를 분리해 적습니다.
같은 숫자를 그림으로 표현한다면 각 칸이 실제 정답 기준인지 예측 기준인지 표시해야 행과 열을 바꾸어 읽는 일을 줄일 수 있습니다.
4. 임계값을 바꾸면 선택 결과가 달라집니다
확률이나 점수를 기준으로 분류하는 모델은 어느 값을 넘을 때 양성으로 볼지 정합니다. 임계값을 조정하면 선택되는 대상과 오류의 구성이 달라질 수 있습니다.
정밀도와 재현율 사이의 관계를 검토할 때는 같은 자료에서 여러 기준을 비교합니다. 어느 지표가 무조건 높아야 한다고 정하기보다 잘못 선택하는 일과 놓치는 일의 비용을 해당 업무에서 어떻게 보는지 확인하는 것이 중요합니다.
임계값 선택은 모델이 내놓은 점수를 실제 결정으로 바꾸는 단계입니다. 가상의 문서 검토 업무라면 넓게 후보를 모아 사람이 다시 읽는 상황과 자동으로 결과를 확정하는 상황의 요구가 다를 수 있습니다.
이 차이를 먼저 설명한 뒤 후보 수와 잘못 고른 수, 놓친 수를 비교합니다. 임계값을 바꾸면 언제나 모든 지표가 원하는 방향으로 움직인다고 가정하지 않습니다.
같은 평가 자료에서 실제 변화가 어떻게 나타나는지 확인하고, 선택한 기준은 검증 과정의 결정으로 남겨 테스트 결과를 보고 유리한 기준만 골라 보고하지 않도록 합니다.
5. 정확도 하나만 보면 놓치는 부분이 있습니다
정확도는 전체 예측 중 맞힌 비율을 보지만 클래스의 수량이 크게 다르면 결과를 충분히 설명하지 못할 수 있습니다. 어떤 종류를 얼마나 틀렸는지 혼동행렬과 클래스별 지표를 함께 보면 해석에 도움이 됩니다.
높은 정확도가 모든 대상에서 고르게 잘 작동한다는 뜻은 아닙니다. 평가 자료의 구성과 오류 유형을 모르면 숫자만으로 다른 모델을 비교하기 어렵습니다.
정확도만 읽을 때의 함정을 보여주는 별도 가상 예를 생각해 볼 수 있습니다. 평가 문서 100개 중 찾아야 할 문서가 5개라면 모두 아니라고 답해도 95개를 맞히지만 필요한 문서는 하나도 찾지 못합니다.
이 경우 정확도는 95%이고 재현율은 0%이며 양성 예측이 없어 정밀도는 통상적인 분수로 정의되지 않습니다. 높은 정확도와 유용한 검색 결과가 같은 뜻이 아니라는 점을 보여주는 계산입니다.
실제 모델의 성능 주장으로 사용하지 말고 클래스 구성과 예측 수를 함께 읽는 연습으로 이해하면 됩니다.
6. F1도 목적을 대신 결정하지 않습니다
F1은 정밀도와 재현율의 조화평균으로 두 값을 함께 요약할 때 사용합니다. 하나의 숫자로 비교하기 편하지만 어떤 오류를 더 중요하게 볼지 자동으로 결정해 주지는 않습니다.
여러 클래스에서 평균을 낼 때도 계산 방식에 따라 의미가 달라집니다. scikit-learn의 평가 문서처럼 지표의 정의와 평균 방식을 확인하고, 보고서에는 어떤 설정으로 계산했는지 함께 적는 편이 좋습니다.
7. 지표를 읽을 때 확인할 순서를 만듭니다
양성 정의, 실제 자료의 구성, 임계값, 혼동행렬, 정밀도와 재현율 순으로 확인해 봅니다. 마지막으로 업무에서 중요한 오류와 지표가 연결되는지 살핍니다.
점수가 올랐더라도 평가 자료나 기준이 달라졌다면 같은 조건의 개선인지 다시 검토해야 합니다. 두 지표를 외우는 가장 쉬운 기준은 “내가 고른 것 중 맞았는가”와 “실제 대상 중 얼마나 찾았는가”를 구분하는 것입니다.
8. 자주 묻는 질문
Q1. 정밀도와 재현율은 어떤 분모를 쓰나요?
정밀도는 양성으로 예측한 수를, 재현율은 실제 양성 수를 분모로 사용합니다. 분자는 둘 다 맞힌 양성 수이지만 어떤 묶음을 기준으로 보는지 달라 값이 같을 필요는 없습니다.
Q2. 둘 중 어떤 지표를 더 높여야 하나요?
잘못 선택한 결과와 놓친 결과가 업무에 어떤 영향을 주는지 먼저 정해야 합니다. 같은 평가 조건에서 두 오류와 처리할 후보 수를 함께 비교하고 한 지표만으로 운영 기준을 확정하지 않습니다.
Q3. 양성 예측이 하나도 없으면 정밀도는 100%인가요?
양성 예측 수가 0이면 정밀도 식의 분모가 0이므로 일반적인 비율로 정의되지 않습니다. 평가 도구의 처리 설정을 확인하고 출력된 숫자만 보지 말고 양성 예측이 없었다는 사실을 함께 보고합니다.
Q4. F1이 같으면 두 모델의 오류도 같은가요?
하나의 요약 값이 같아도 정밀도와 재현율의 조합이나 개별 오류 사례는 다를 수 있습니다. F1과 함께 두 지표, 혼동행렬, 클래스별 결과를 살펴 실제 용도에 맞는지 판단합니다.
참고 자료
- 이전글DNS는 무엇을 하는가: 이름 조회와 웹 접속을 구분하기 26.09.12
- 다음글학습·검증·테스트 데이터, 세 가지로 나누는 이유 26.09.12
댓글목록
등록된 댓글이 없습니다.