분류 모델 성능 평가 지표
분류 모델의 성능을 평가하는 지표로 사용되는 Accuracy, Precision, Recall, F1 Score, AUC에 대해 알아보자.
Accuracy(정확도)
- 모델이 전체 문제 중에서 정답을 맞힌 비율이다.
- 하지만 데이터가 불균형할 때(ex) positive:negative=9:1)는 Accuracy만으로 제대로 분류했는지는 알 수 없기 때문에 Precision과 Recall을 사용한다.
- 0 ~ 1 사이의 값을 가지며, 1에 가까울수록 좋다.
Precision(정밀도)
- 모델이 positive라고 예측한 것들 중에서 실제로 정답이 positive인 비율이다.
- 실제 정답이 negative인 데이터를 positive라고 잘못 예측하면 안 되는 경우에 중요한 지표가 될 수 있다.
- Precision을 높이기 위해선 FP(모델이 positive라고 예측했는데 정답은 negative인 경우)를 낮추는 것이 중요하다.
- 0 ~ 1 사이의 값을 가지며, 1에 가까울수록 좋다.
Recall(재현율)
- 실제로 정답이 positive인 것들 중에서 모델이 positive라고 예측한 비율이다.
- 실제 정답이 positive인 데이터를 negative라고 잘못 예측하면 안 되는 경우에 중요한 지표가 될 수 있다.
- Recall를 높이기 위해선 FN(모델이 negative라고 예측했는데 정답이 positive인 경우)을 낮추는 것이 중요하다.
- 0 ~ 1 사이의 값을 가지며, 1에 가까울수록 좋다.
F1 Score
- Recall과 Precision의 조화평균이다.
- Recall과 Precision은 상호 보완적인 평가 지표이기 때문에 F1 score를 사용한다.
- Precision과 Recall이 한쪽으로 치우쳐지지 않고 모두 클 때 큰 값을 가진다.
- 0 ~ 1 사이의 값을 가지며, 1에 가까울수록 좋다.
백준의 문제가 단계가 거듭될수록 난이도가 올라가 한 문제를 푸는데 소요되는 시간이 늘어나고 있다.
하지만 그럴수록 풀었을 때 쾌감이 좋아서 공부는 미루고 문제만 풀고 싶다는 생각이 자꾸 든다.
하루에 풀어야 할 문제를 많이 잡아놓으니 다른 공부할 시간이 작아지니 하루에 1~2문제 만 꾸준히 푸는 방식으로 공부해야겠다.
컴공을 졸업한 친구를 오랜만에 만나서 2시간 정도 수다를 떠느라 계획했던 공부를 미뤘다.
잠을 줄이면 마저 하고 잘 수 있었지만, 몰려오는 졸음에 타협을 해버린 나... 비난해...
앞으로 To-Do-List를 작성할 때 그날 반드시 할 수 있는 목표를 설정을 하고, 설정을 했다면 무슨 일이 있어도 끝내고 하루를 마치겠다. 화이팅!
