다중 분류 모델 성능 측정

이 문서는 다중 분류(Multiclass Classification) 문제에서 모델 성능을 측정하는 주요 지표인 Accuracy, Precision, Recall, F1 Score의 개념과 사용 기준을 시각 자료와 함께 정리한 학습 기록

---

1. 다중 분류에서의 성능 평가 지표

다중 클래스 문제에서는 단일 이진 분류와 달리, 각 클래스별로 따로 정밀도·재현율을 계산하고 평균을 내야 합니다.

• Accuracy (정확도): 전체 샘플 중 맞춘 비율
• Precision (정밀도): 예측한 것 중 실제로 맞은 비율
• Recall (재현율): 실제 정답 중 모델이 맞춘 비율
• F1 Score: 정밀도와 재현율의 조화 평균

---

2. Accuracy의 한계

• 데이터가 균형(Balanced) 되어 있는 경우에 Accuracy는 유효한 지표입니다.
• 하지만 클래스 불균형(Unbalanced)이 심한 경우, Accuracy는 성능을 과대평가할 수 있습니다.

예시:

• 전체 데이터의 90%가 클래스 A일 경우 → 항상 A만 예측해도 Accuracy는 90%
• 하지만 이 모델은 B, C, D 등의 클래스는 전혀 구분하지 못함

---

3. Precision, Recall, F1 Score의 필요성

• 불균형 데이터에서는 정밀도(Precision) 와 재현율(Recall) 을 따로 보는 것이 중요합니다.
• F1 Score는 Precision과 Recall을 조화평균(Harmonic Mean) 으로 결합한 지표입니다.

F1 = 2 * (Precision * Recall) / (Precision + Recall)

• Precision만 높고 Recall이 낮거나 그 반대인 경우 → F1 Score는 낮게 나옴
• 모델이 한쪽으로 치우쳐 있지 않고 균형 있게 잘 예측하고 있는지를 판단할 수 있음

---

4. 실제 적용 기준

데이터 분포	추천 지표
클래스가 균형(Balanced) 되어 있음	Accuracy
클래스가 불균형(Unbalanced) 되어 있음	F1 Score, Precision, Recall

---

5. 느낀 점

• 처음에는 Accuracy 하나만 보면 될 줄 알았는데,
  실제로는 불균형 데이터가 많은 현실 문제에서는 전혀 도움이 되지 않는다는 것을 깨달았다.
• F1 Score는 단순한 수학 공식이 아니라, Precision과 Recall 간 균형을 보여주는 중요한 지표라는 점에서 더 의미 있게 느껴졌다.

---

요약

• Accuracy는 간단하지만, 불균형 데이터에 취약
• Precision/Recall은 각각 모델의 다른 관점을 보여줌
• F1 Score는 둘의 조화 → 모델의 종합적인 판단 지표
• 실전에서는 데이터 분포에 따라 지표를 선택해야 한다