머신러닝 평가지표

---

1. 분류(Classification) 평가지표

분류 문제는 정답이 카테고리(범주형)인 경우에 사용합니다.

1) 정확도(Accuracy)

• 전체 데이터 중에서 정답을 맞춘 비율
• 공식:
  Accuracy = (TP + TN) / (TP + TN + FP + FN)
• 해석:
  전체 예측 중에서 맞춘 비율이므로, 데이터가 불균형할 때는 신뢰하기 어려움

2) 혼동행렬(Confusion Matrix)

• 분류 결과를 표로 정리한 것
• 구성:
  • TP(True Positive): 실제 양성, 예측도 양성
  • TN(True Negative): 실제 음성, 예측도 음성
  • FP(False Positive): 실제 음성, 예측은 양성(오탐)
  • FN(False Negative): 실제 양성, 예측은 음성(미탐)

	실제 양성(Positive)	실제 음성(Negative)
예측 양성	TP	FP
예측 음성	FN	TN

3) 정밀도(Precision)

• 양성으로 예측한 것 중 실제 양성의 비율
• 공식:
  Precision = TP / (TP + FP)
• 해석:
  "양성"이라고 예측한 것 중에서 실제로 맞춘 비율
  (예: 스팸메일 필터에서 스팸이라고 한 것 중 실제 스팸의 비율)

4) 재현율(Recall, Sensitivity)

• 실제 양성 중에서 양성으로 예측한 비율
• 공식:
  Recall = TP / (TP + FN)
• 해석:
  실제 양성을 얼마나 잘 잡아냈는지
  (예: 암 진단에서 실제 암 환자 중 암으로 예측한 비율)

5) F1-Score

• 정밀도와 재현율의 조화평균
• 공식:
  F1-Score = 2 × (Precision × Recall) / (Precision + Recall)
• 해석:
  정밀도와 재현율이 모두 중요할 때 사용
  (둘 중 하나가 낮으면 F1-score도 낮아짐)

6) ROC-AUC

• ROC Curve: FPR(위양성률)과 TPR(재현율)의 관계를 곡선으로 그림
• AUC: ROC 곡선 아래 면적 (1에 가까울수록 좋음)
• 해석:
  분류 임계값을 바꿔가며 모델의 전체적인 성능을 평가

---

2. 회귀(Regression) 평가지표

회귀 문제는 정답이 연속적인 수치인 경우에 사용합니다.

1) 평균제곱오차(MSE, Mean Squared Error)

• 실제값과 예측값의 차이를 제곱해서 평균
• 공식:
  MSE = Σ(y_actual - y_predicted)² / n
• 해석:
  값이 클수록 오차가 큼. 이상치에 민감

2) 평균제곱근오차(RMSE, Root Mean Squared Error)

• MSE의 제곱근
• 공식:
  RMSE = √MSE
• 해석:
  실제 단위와 동일, 해석이 쉬움

3) 평균절대오차(MAE, Mean Absolute Error)

• 실제값과 예측값의 차이의 절댓값 평균
• 공식:
  MAE = Σ|y_actual - y_predicted| / n
• 해석:
  이상치에 덜 민감

4) 평균절대백분율오차(MAPE, Mean Absolute Percentage Error)

• 오차를 백분율로 표현
• 공식:
  MAPE = (100/n) × Σ|(y_actual - y_predicted)/y_actual|
• 해석:
  직관적으로 해석 가능(%)
  단, 실제값이 0에 가까우면 불안정

5) 결정계수(R² Score)

• 모델이 데이터를 얼마나 잘 설명하는지(0~1, 1에 가까울수록 좋음)
• 공식:
  R² = 1 - (예측오차제곱합 / 전체평균오차제곱합)
• 해석:
  1에 가까울수록 예측력이 좋음

---

3. 비지도학습 평가지표

비지도학습은 정답이 없기 때문에, 군집의 품질을 다양한 지표로 평가합니다.

1) 엘보우 기법(Elbow Method)

• 군집 개수(k)를 바꿔가며 SSE(군집 내 제곱합 오차) 변화를 관찰
• 해석:
  SSE가 급격히 감소하다 완만해지는 지점이 최적의 k

2) 실루엣 분석(Silhouette Analysis)

• 군집의 응집도와 분리도를 동시에 평가
• 값의 범위: -1 ~ 1
  • 1에 가까울수록: 잘 군집됨
  • 0에 가까울수록: 경계에 있음
  • -1에 가까울수록: 잘못된 군집
• 공식:
  실루엣 점수 = (b - a) / max(a, b)
  • a: 같은 군집 내 평균 거리
  • b: 가장 가까운 다른 군집과의 평균 거리

---

4. 정리 표

문제 유형	주요 평가지표	해석/특징
분류	Accuracy, Precision, Recall, F1, ROC-AUC	불균형 데이터 주의, F1-score 중요
회귀	MSE, RMSE, MAE, MAPE, R²	MSE/MAE: 오차, R²: 설명력
비지도학습	엘보우, 실루엣 점수	군집 품질, 최적 k 선택

---