PE Notes · 확률통계
혼동행렬(Confusion Matrix) 계산 및 해석
혼동행렬(Confusion Matrix): 분류 모델의 예측 결과와 실제 정답을 교차표로 정리한 행렬 — 이진 분류에서는 2 × 2
혼동행렬(Confusion Matrix): 분류 모델의 예측 결과와 실제 정답을 교차표로 정리한 행렬 — 이진 분류에서는 2 × 2. TP(True Positive): 실제 양성 → 양성 예측(정탐).
구조와 칸
| 지표 | 공식 | 의미 | 중시 상황 |
|---|---|---|---|
| 정확도(Accuracy) | (TP + TN) ÷ 전체 | 전체 정답 비율 | 클래스 균형 |
| (Precision, PPV) | TP ÷ (TP + FP) | 양성 예측 중 실제 양성 | 오탐 비용 큼(스팸 필터·추천) |
| (Recall, 민감도, TPR) | TP ÷ (TP + FN) | 실제 양성 중 찾아낸 비율 | 미탐 비용 큼(암 진단·사기·침입 탐지) |
| 특이도(Specificity, TNR) | TN ÷ (TN + FP) | 실제 음성을 음성으로 | 정상 판정 신뢰 |
| 위양성률(FPR) | FP ÷ (FP + TN) = 1 − 특이도 | 정상을 양성으로 잘못 | ROC 곡선 x축 |
| 점수 | 2PR ÷ (P + R) | 정밀도·재현율 조화평균 | 불균형 데이터 |
| Fβ 점수 | (1 + β²)PR ÷ (β²P + R) | β > 1이면 재현율 가중 | 비용 비대칭 |
| (TP·TN − FP·FN) ÷ √((TP+FP)(TP+FN)(TN+FP)(TN+FN)) | −1~1, 네 칸 모두 반영 | 불균형에서 가장 균형 잡힌 단일 지표 | |
| 균형 정확도 | (재현율 + 특이도) ÷ 2 | 클래스별 정확도 평균 | 불균형 |
| NPV | TN ÷ (TN + FN) | 음성 예측 중 실제 음성 | 음성 판정 신뢰 |
정확도 = (80 + 870) ÷ 1,000 = 95.0%. 정밀도 = 80 ÷ 110 ≈ 72.7%. 재현율 = 80 ÷ 100 = 80.0%. 특이도 = 870 ÷ 900 ≈ 96.7%, FPR ≈ 3.3%.
정밀도 vs 재현율
| 예측 양성 | 예측 음성 | 합 | |
|---|---|---|---|
| 실제 양성 | TP 80 | FN 20 | 100 |
| 실제 음성 | FP 30 | TN 870 | 900 |
| 합 | 110 | 890 | 1,000 |
| 기준 | 정밀도 | 재현율 |
|---|---|---|
| 공식 | TP/(TP + FP) | TP/(TP + FN) |
| 질문 | 양성이라 한 것 중 맞은 비율 | 실제 양성 중 찾은 비율 |
| 줄이는 오류 | FP(오탐) | FN(미탐) |
| 중시 사례 | 스팸 필터·추천 | 암 진단·사기·침입 탐지 |
| 임계값↓ | 감소 | 증가 |
의료 진단 AI: 재현율(민감도) 우선, 특이도 함께 보고. 스팸 필터: 정밀도 우선(정상 메일을 스팸으로 분류하는 오탐 최소화). 금융 사기 탐지(FDS): 재현율과 조사 인력 비용(FP) 균형 → 비용 기반 임계값.
답안은 혼동행렬(Confusion Matrix) 계산 및 해석의 정의, 칸, 비교 축을 한 장에 닫습니다.
기술사 답안 포인트
관련 용어
관련 토픽
AI
혼동행렬과 분류 지표
맞힌 것과 놓친 것을 칸으로 나눈 혼동행렬에서 정밀도·재현율·F1을 읽고, 불균형에서는 ROC보다 PR을, 다중 클래스에서는 Macro·Micro·Weighted를 고릅니다.
AI
모델 평가와 신뢰성 AI
분류·회귀·생성·군집·검증으로 나눈 평가 지표와, 안전성·공정성·설명가능성 등 신뢰성 AI의 핵심 속성을 한 장에서 연결합니다.
확률통계
베이즈 정리(Bayes' Theorem)
베이즈 정리(Bayes' Theorem): 새로운 증거(데이터)가 주어졌을 때 사전 확률을 사후 확률로 갱신하는 조건부 확률 공식 — 토머스 베이즈(18세기)