관련 포스트머신러닝 분류 혼동 행렬 정밀도 재현율 F1 점수AUC

모델 성능 평가 지표(Model Evaluation Metrics)

•

2025년 05월 05일 발행•2025년 05월 05일 수정

요약

머신러닝 모델의 성능을 수치적으로 평가하는 주요 지표 정리

초급

기초적인 통계 개념과 분류 모델의 구조 및 동작 원리에 대한 이해가 필요하다.

태그

머신러닝 분류 혼동 행렬 정밀도 재현율 F1 점수AUC

#개념

모델 성능 평가 지표(Model Evaluation Metrics)는 머신러닝 모델의 예측 성능을 정량적으로 판단하기 위해 사용되는 기준들이다. 분류(Classification) 모델의 경우, 일반적으로 정확도(Accuracy), 정밀도(Precision), 재현율(Recall), F1 점수(F1 Score), ROC 곡선과 AUC 등이 주로 활용되며, 이 지표들은 대부분 혼동 행렬(Confusion Matrix)의 네 가지 값(TP, TN, FP, FN)으로부터 계산된다.

회귀(Regression) 모델의 경우에는 평균 제곱 오차(Mean Squared Error, MSE), 평균 절대 오차(Mean Absolute Error, MAE), 결정 계수(R²) 등이 사용된다. 분류 모델의 대표적인 지표는 다음과 같다.

대표적인 모델 성능 평가 지표

정확도 : 전체 샘플 중 올바르게 예측한 비율을 나타내며, 직관적이지만 클래스 불균형 문제가 있는 데이터에서는 한계가 있다.
정밀도 : 모델이 양성이라고 판단한 것 중 실제 양성의 비율로, 오탐(False Positive)을 줄이는 데 초점을 맞춘다.
재현율 : 실제 양성 중에서 모델이 올바르게 예측한 비율로, 놓치는 경우(False Negative)를 줄이는 데 중요하다.
F1 점수 : 정밀도와 재현율의 조화 평균으로, 둘 사이의 균형을 평가할 때 유용하다.
ROC 곡선 : 민감도(재현율)와 1-특이도(False Positive Rate) 간의 관계를 시각화하며, AUC(Area Under the Curve)는 그 면적으로 모델의 전반적인 분류 성능을 나타낸다.

이러한 지표들은 모델의 하이퍼파라미터 튜닝, 앙상블 비교, 비즈니스 요구조건에 맞는 성능 조정 등 다양한 상황에서 필수적으로 사용된다. 특히, 클래스 불균형 문제를 가진 데이터세트에서는 단순 정확도보다는 F1 점수나 AUC 등 더 민감한 지표가 중요하게 고려되어야 한다.