혼동 행렬

개요

• 분류 모델의 성능을 평가할 때, 단순히 맞/틀림을 넘어 어떻게 틀렸는지를 세분화하여 보여주는 표.
• 실제 클래스(True/False)와 예측 클래스(Positive/Negative)의 조합으로 4가지 경우의 수 발생.

구조

평가 지표 (Metrics)

정확도 (Accuracy)

• 전체 중 맞게 예측한 비율.

$$\frac{\text{TP}+\text{TN}}{\text{Total}}$$

• 클래스 불균형이 심할 때는 신뢰하기 어려움.

정밀도 (Precision)

• 모델이 양성이라고 예측한 것 중 실제 양성의 비율.

$$\frac{\text{TP}}{\text{TP}+\text{FP}}$$

• 중요한 경우: 스팸 메일 분류 (일반 메일을 스팸으로 분류하면 안 됨 - FP를 줄여야 함).

재현도 (Recall) / 민감도 (Sensitivity)

• 실제 양성 중 모델이 찾아낸 비율.

$$\frac{\text{TP}}{\text{TP}+\text{FN}}$$

• 중요한 경우: 암 진단, 사기 탐지 (놓치면 치명적임 - FN을 줄여야 함).

특이도 (Specificity)

• 실제 음성 중 모델이 올바르게 음성으로 분류한 비율.

$$\frac{\text{TN}}{\text{TN}+\text{FP}}$$

F1 점수 (F1 Score)

• 정밀도와 재현도의 조화 평균.
• 둘 다 골고루 높아야 점수가 높게 나옴.

$$2\times \frac{\text{Precision}\times \text{Recall}}{\text{Precision}+\text{Recall}}$$

퀴즈