혼동 행렬: Difference between revisions
From IT Wiki
No edit summary |
(→재현율) |
||
| (3 intermediate revisions by 2 users not shown) | |||
| Line 3: | Line 3: | ||
;머신러닝 예측, 분류 모델의 학습 성능 평가를 위한 표현 모델 | ;머신러닝 예측, 분류 모델의 학습 성능 평가를 위한 표현 모델 | ||
== 혼동 행렬 == | |||
{| class="wikitable" | {| class="wikitable" | ||
| rowspan="2" colspan="2" style="text-align: center;" | 구분 | | rowspan="2" colspan="2" style="text-align: center;" | 구분 | ||
| Line 16: | Line 17: | ||
|- | |- | ||
! Negative | ! Negative | ||
| | | FP | ||
| TN | | TN | ||
|} | |} | ||
| Line 48: | Line 49: | ||
* '''분자''': 실제 Positive를 잘 판단한 경우 | * '''분자''': 실제 Positive를 잘 판단한 경우 | ||
* '''분모''': 실제 값이 Positive인 모든 경우 | * '''분모''': 실제 값이 Positive인 모든 경우 | ||
* 잘못된 Negative를 줄이는데 초점 | |||
* ex) 악성코드 판별 | * ex) 악성코드 판별 | ||
** 악성코드가 아닌데 악성코드로 분류하면(FP) 사용자가 확인하고 예외처리 하면 됨 | ** 악성코드가 아닌데 악성코드로 분류하면(FP) 사용자가 확인하고 예외처리 하면 됨 | ||
| Line 62: | Line 64: | ||
* 정밀도에 더 가중치를 주고 싶은경우 β를 1 이상으로 입력 | * 정밀도에 더 가중치를 주고 싶은경우 β를 1 이상으로 입력 | ||
* 재현율에 더 가중치를 주고 싶은경우 β를 0~1로 입력 | * 재현율에 더 가중치를 주고 싶은경우 β를 0~1로 입력 | ||
== 같이 보기 == | |||
* [https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc?hl=ko ROC 및 AUC] | |||
Latest revision as of 22:48, 15 February 2020
- Confusion matrix
- 머신러닝 예측, 분류 모델의 학습 성능 평가를 위한 표현 모델
혼동 행렬[edit | edit source]
| 구분 | 예상 값 | ||
| Positive | Negative | ||
|---|---|---|---|
| 실제 값 | Positive | TP | FN |
| Negative | FP | TN | |
평가[edit | edit source]
| 평가지표 | 설명 |
|---|---|
| 정밀도(Precision) | 양성으로 예측된 결과의 정확한 예측의 비율을 의미하는 모델의 성능 지표 |
| 재현율(Recall) | 실제 양성 중 모델이 정확하게 양성으로 예측한 비율을 나타내는 모델의 성능 지표 |
| F1-Score | 정밀도와 재현율의 조화평균 |
정밀도[edit | edit source]
- Precision
- 𝑻𝑷 / (𝑭𝑷 + 𝑻𝑷)
- 분자: 실제 Positive를 잘 판단한 경우
- 분모: 예측을 Positive로 한 모든 경우
- 잘못된 Positive를 줄이는 데에 초점
- ex) 스팸메일 분류
- 스팸을 스팸메일로 분류하지 않는 것(FN)은 큰 문제가 없음
- 스팸메일이 아닌 것을 스팸메일로 분류하면(FP) 업무 차질 발생
- 이와 같이 FN보단 FP를 줄이는 것이 중요한 경우 정밀도 사용
재현율[edit | edit source]
- Recall; Sensitivity; True Positive Rate
- 𝑻𝑷 / (𝑭𝑵 + 𝑻𝑷)
- 분자: 실제 Positive를 잘 판단한 경우
- 분모: 실제 값이 Positive인 모든 경우
- 잘못된 Negative를 줄이는데 초점
- ex) 악성코드 판별
- 악성코드가 아닌데 악성코드로 분류하면(FP) 사용자가 확인하고 예외처리 하면 됨
- 악성코드인데 악성코드가 아닌 것으로 분류하면(FN) 악성코드에 감염되어 위험 노출
- 이와 같이 FP보단 FN를 줄이는 것이 중요한 경우 재현율 사용
F1-Score[edit | edit source]
- 정밀도와 재현율이 모두 중요한 경우
- 둘을 따로 볼 경우 Trade-off 관계가 발생하여 판단 어려움
- 이 경우 둘을 조화평균한 F1-Score 사용
- F1-Score는 정밀도와 재현율을 동등하게 계산한 경우이며
- 정밀도에 더 가중치를 주고 싶은경우 β를 1 이상으로 입력
- 재현율에 더 가중치를 주고 싶은경우 β를 0~1로 입력
