관련 포스트머신러닝 분류 모델 성능 평가 지표오차 분석

혼동 행렬(Confusion Matrix)

•

2025년 03월 01일 발행•2025년 03월 01일 수정

요약

분류 모델의 성능을 평가하는 데 사용되는 표

기초

기본적인 통계 및 확률 개념에 대한 이해가 필요하며, 데이터를 이해하고 해석한다.

태그

머신러닝 분류 모델 성능 평가 지표오차 분석

#개념

혼동 행렬(Confusion Matrix)은 분류(Classification) 모델의 성능을 평가하기 위해 사용되는 표이다. 실젯값(Actual Value)과 예측값(Predicted Value) 간의 관계를 보여주며, 모델이 얼마나 정확하게 분류했는지, 그리고 어떤 유형의 오류를 주로 발생시키는지를 분석하는 데 유용하다.

혼동 행렬은 특히 불균형 데이터셋(Imbalanced Dataset)에서 모델의 성능을 더 정확하게 평가하는 데 도움이 된다. 예를 들어, 질병 진단 모델에서 양성(Positive) 환자 수가 음성(Negative) 환자 수보다 훨씬 적을 경우, 정확도(Accuracy)만으로는 모델의 실제 성능을 파악하기 어렵다. 이때 혼동 행렬을 사용하면 모델이 양성 환자를 얼마나 잘 예측하는지, 그리고 음성 환자를 얼마나 잘 예측하는지를 구체적으로 확인할 수 있다. 혼동 행렬은 일반적으로 다음과 같은 네 가지 값을 포함한다.

혼동 행렬의 네 가지 값

참 긍정(True Positive, TP) : 실젯값이 긍정(Positive)인 데이터를 모델이 긍정으로 정확하게 예측한 경우이다. 예를 들어, 실제 환자가 질병에 걸렸고 모델도 질병에 걸렸다고 예측한 경우다.
참 부정(True Negative, TN) : 실젯값이 부정(Negative)인 데이터를 모델이 부정으로 정확하게 예측한 경우다. 예를 들어, 실제 환자가 건강하고 모델도 건강하다고 예측한 경우다.
거짓 긍정(False Positive, FP) : 실젯값이 부정인 데이터를 모델이 긍정으로 잘못 예측한 경우이며, 1종 오류(Type-1 Error)라고도 한다. 예를 들어, 실제 건강한 환자를 모델이 질병에 걸렸다고 오진한 경우다.
거짓 부정(False Negative, FN) : 실젯값이 긍정인 데이터를 모델이 부정으로 잘못 예측한 경우이며, 2종 오류(Type-2 Error)라고도 한다. 예를 들어, 실제 질병에 걸린 환자를 모델이 건강하다고 오진한 경우다.

혼동 행렬을 기반으로 다음과 같은 다양한 성능 지표를 계산할 수 있다.

혼동 행렬 기반 성능 지표

정확도(Accuracy): 전체 예측 중에서 올바르게 예측한 비율을 나타내며, $\frac{TP + TN}{TP + TN + FP + FN}$으로 계산한다.
정밀도(Precision): 모델이 긍정으로 예측한 것 중에서 실제로 긍정인 비율을 나타내며, $\frac{TP}{TP + FP}$로 계산한다. 정밀도는 모델이 얼마나 정확하게 긍정 클래스를 예측하는지를 나타낸다.
재현율(Recall): 실제 긍정 클래스 중에서 모델이 긍정으로 예측한 비율을 나타내며, $\frac{TP}{TP + FN}$으로 계산한다. 재현율은 모델이 얼마나 많은 긍정 클래스를 놓치지 않고 찾아내는지를 나타낸다.
F1 점수(F1 Score): 정밀도와 재현율의 조화 평균(Harmonic Mean)이며, $2 \times \frac{Precision \times Recall}{Precision + Recall}$로 계산한다. F1 점수는 정밀도와 재현율이 모두 중요할 때 모델의 성능을 종합적으로 평가하는 데 유용하다.
특이도(Specificity): 실제 부정 클래스 중에서 모델이 부정으로 예측한 비율을 나타내며, $\frac{TN}{TN + FP}$로 계산한다. 특이도는 모델이 얼마나 정확하게 부정 클래스를 예측하는지를 나타낸다.

혼동 행렬은 다양한 분야에서 활용될 수 있다. 예를 들어, 의료 분야에서는 질병 진단 모델의 성능을 평가하는 데 사용될 수 있다. 금융 분야에서는 신용 평가 모델의 성능을 평가하는 데 사용될 수 있다. 마케팅 분야에서는 고객 반응 예측 모델의 성능을 평가하는 데 사용될 수 있다. 혼동 행렬은 모델의 성능을 정확하게 파악하고, 모델을 개선하기 위한 중요한 정보를 제공한다.

데이터 전문가는 혼동 행렬을 통해 모델이 어떤 유형의 오류를 주로 발생시키는지 분석하고, 이를 바탕으로 모델의 파라미터를 조정하거나, 새로운 특징(Feature)을 추가하거나, 다른 모델을 선택하는 등의 개선 작업을 수행할 수 있다. 또한 혼동 행렬은 모델의 성능을 시각적으로 표현하여 이해하기 쉽도록 도와준다.

#관련 용어

정확도

전체 예측 중에서 올바르게 예측한 비율

정밀도

모델이 긍정으로 예측한 것 중에서 실제로 긍정인 비율

재현율

실제 긍정 클래스 중에서 모델이 긍정으로 예측한 비율

F1 점수

정밀도와 재현율의 조화 평균

특이도

실제 부정 클래스 중에서 모델이 부정으로 예측한 비율

#직무 연관도

Data Analyst밀접

모델의 성능을 분석하고, 비즈니스 의사 결정을 지원

Data Scientist밀접

데이터를 기반으로 모델의 성능을 평가하고 개선하는 연구를 수행

Data Engineer높음

모델을 실제 시스템에 통합하고, 모델의 성능을 모니터링하며 유지보수

#사용 사례

의료금융마케팅보안제조

개요

혼동 행렬은 다양한 산업 분야에서 분류 모델의 성능을 평가하고 개선하는 데 사용된다. 의료 분야에서는 질병 진단 모델의 정확도를 평가하고, 금융 분야에서는 신용 평가 모델의 위험 예측 능력을 평가하는 데 활용된다. 마케팅 분야에서는 고객 반응 예측 모델의 효과를 분석하고, 보안 분야에서는 침입 탐지 시스템의 성능을 평가하는 데 사용된다.

사례

신용 카드 사기 탐지 모델에서 혼동 행렬을 사용하여 사기 거래를 정확하게 식별하고, 오탐(False Alarm)을 최소화