Precision & Recall

Precision & Recall

	Meaning
TP	(정답+instance) 맞다고 했는데 맞음 ->정답인 것을 맞춤 (instance를 instance 라고 판단)
TN	(배경) 틀리다고 했는데 맞음(틀린게 맞음) -> 정답이 아닌 부분에 대해 아니라고 판단 (배경을 배경이라고 판단)
FP	(배경) 맞다고 했는데 틀림(맞는게 틀림) -> 정답이 아닌데 정답이라고 함 (배경인데 instance라 판단))
FN	(정답+instance) 틀리다고 했는데 틀림(틀린게 틀림 즉 정답) -> 정답인데 정답이 아니라고 함 (instance인데 배경이라고 판단)

XY : Y(맞다/틀리다)라고 했는데 X(맞다/틀리다)임
즉.
Y가 model이 예측한 부분
Y - P:예측함 / N:예측안함

Precision이란, 긍정적인 예측의 비율. 즉, 맞다고 한 것(instance라고 한 것) 중 실제 instance 비율

Precision = $\frac{내가 맞춘 것}{model이 예측한 것}$ =$\frac{TP}{TP + FP}$

Recall이란, 모든 긍정적인 것들 중 맞는 것의 비율. 즉, 정답 중 내가 예측한 것의 비율

Recall = $\frac{내가 맞춘 것}{GT(정답라벨)}$ = $\frac{TP}{TP + FN}$

F1 score

F1 Score = 2 (recall precision) / (recall+precision)