분류 성능 평가: ROC (Receiver Operating Characteristic) 및 AUC (Area Under the Curve)

https://developers.google.com/machine-learning/crash-course/classification/roc-and-auc?hl=ko#:~:text=ROC%20%EA%B3%A1%EC%84%A0%20%EC%95%84%EB%9E%98%20%EC%98%81%EC%97%AD%20(AUC)%EC%9D%80%20%EB%AC%B4%EC%9E%91%EC%9C%84%EB%A1%9C%20%EC%84%A0%ED%83%9D%ED%95%9C,%EC%9D%8C%EC%84%B1%20%EC%98%88%EC%8B%9C%EB%B3%B4%EB%8B%A4%20%EB%86%92%EC%9D%80%20%EC%88%9C%EC%9C%84%EB%A1%9C%20%EB%A7%A4%EA%B8%B8%20%ED%99%95%EB%A5%A0%EC%9D%84%20%EB%82%98%ED%83%80%EB%83%85%EB%8B%88%EB%8B%A4.

1. ROC 곡선 (Receiver Operating Characteristic Curve)

• ROC 곡선은 모든 임계값(threshold)에서의 모델 성능을 시각적으로 표현한 그래프입니다.

  • x축은 거짓 양성률(FPR, False Positive Rate),

  • y축은 참 양성률(TPR, True Positive Rate) 을 나타냅니다.

• 배경

  • “Receiver Operating Characteristic”이라는 용어는
    제2차 세계대전 당시 레이더 감지 실험에서 유래했습니다.

• 특징

  • 완벽한 모델은 (0,1) 지점에 가까운 궤적을 가집니다.

  • 무작위 추측 모델은 (0,0)에서 (1,1)까지의 대각선을 따릅니다.

2. AUC (Area Under the Curve)

• ROC 곡선 아래 면적을 의미하며, 임의로 선택된 양성 예시가 음성 예시보다 더 높은 점수를 받을 확률을 나타냅니다.

• 해석 기준

  • AUC = 1.0 → 완벽한 모델

  • AUC = 0.5 → 무작위 추측과 동일

  • AUC < 0.5 → 무작위보다 나쁜 모델 (예측 반전 필요)

• 예시

  • 스팸 분류기의 경우

    • AUC = 1.0 → 모든 스팸 이메일을 정확히 높은 확률로 예측

    • AUC = 0.5 → 동전 던지기 수준

    • AUC = 0.3 → 오히려 반대로 예측 (스팸을 정상으로, 정상 메일을 스팸으로)

3. PR 곡선 (Precision-Recall Curve)

• 언제 사용하나

  • 데이터 불균형(예: 양성 클래스가 매우 적음) 상황에서 정밀도(Precision) 와 재현율(Recall) 관계를 시각화하는 것이 더 유용합니다.

• 축 구성:

  • x축: 재현율(Recall)

  • y축: 정밀도(Precision)

4. 모델 비교 및 임계값 선택

• AUC 활용

  • 데이터의 클래스 비율이 균형적일 때, AUC가 더 큰 모델이 더 좋은 모델입니다.

  • 예

    • 모델 A → AUC = 0.65

    • 모델 B → AUC = 0.93

    ⇒ B 모델이 더 우수

• ROC 곡선의 해석

  • (0,1)에 가까운 지점이 가장 좋은 성능을 보입니다.

• 임계값 선택 기준

  • 거짓 양성(FP) 의 비용이 크면 → FPR이 낮은 지점(A)

  • 거짓 음성(FN) 의 비용이 크면 → TPR이 높은 지점(C)

  • 균형을 중시할 경우 → 중간 지점(B)

5. 연습 예시

→ AUC가 0.5 미만이면, 예측 결과를 반전시키면 성능이 향상될 수 있습니다.

6. 실제 예시: 스팸 분류기

• 상황:
  “포지티브 = 스팸”, “네거티브 = 정상 메일”

  → 비즈니스상 중요한 메일이 스팸함으로 가는 것(FN)이 더 큰 손실.

• 해석

  • 이 경우 거짓 음성(FN) 을 최소화해야 하므로 TPR이 높은 점 C 쪽의 임계값이 더 바람직합니다.

정리 요약