혼동 행렬

평가

• 혼동 행렬

  from sklearn.metrics import *
  confusion_matrix(y_test, y_pred)

• 정확도

  accuracy_score(y_test, y_pred)

• 정밀도

  precision_score(y_test, y_pred)

• 재현도

  recall_score(y_test, y_pred)

• F1

  f1_score(y_test, y_pred)

혼동 행렬 confusion matrix

	예측 (음성 0)	예측 (양성 1)
실제
음성 (0)	진음성 True Negative	위양성 False Positive
양성 (1)	위음성 False Negative	진양성 True Positive

진/위 양성/음성

• 혼동행렬에서 양성/음성은 예측을 기준으로 말함
• 현실에서는 실제로 어떤지 알 수 없는 경우가 많음
• 진(True) → 예측이 맞음
• 위(False) → 예측이 틀림

정확도 accuracy

• 전체 중에 예측이 맞은 비율

$$\frac{TP + TN}{\text{전체}}$$

• 특별히 음성/양성 구분에 관심이 없는 경우 사용
• 그러나 대부분은 양성에 더 관심이 있음

정밀도 precision

• 양성 예측 중에 맞은 비율

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

• 양성 예측이 중요한 경우 (예: 채용)
• 대체로 문턱값을 높이면(보수적 예측) 정밀도가 높아진다

재현도 recall

• 실제 양성 중 찾아낸 비율

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

• 양성을 찾아 내는 것이 중요한 경우 (예: 방역)
• 의학 등에서는 민감도(specificity)라고도 함
• TPR(True Positive Ratio)라고도 함
• 대체로 문턱값을 낮추면(적극적 예측) 재현도가 높아진다

특이도 specificity

• 실제 음성 중 찾아낸 비율

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

• 음성을 찾아 내는 것이 중요한 경우 (예: 방역)
• 대체로 양성 예측을 보수적으로 하면 특이도가 높아진다
• TN 대신 FP를 분자에 사용하면 FPR(FP/(TN+FP))=1-특이도

퀴즈