Accuracy

Accuracy의 정의

Accuracy는 전체 예측 중에서 올바르게 예측한 비율입니다.

공식:

Accuracy = (TP + TN) / (TP + TN + FP + FN)

• TP: 실제 Positive를 Positive로 예측 (맞음)
• TN: 실제 Negative를 Negative로 예측 (맞음)
• FP: 실제 Negative를 Positive로 예측 (틀림)
• FN: 실제 Positive를 Negative로 예측 (틀림)

간단히 말하면:

Accuracy = 맞춘 개수 / 전체 개수

왜 "Accuracy"인가?

Accuracy의 뜻은 "정확도"입니다.

• 가장 직관적이고 이해하기 쉬운 지표
• "전체적으로 얼마나 정확하게 예측했는가"를 나타냅니다

언제 사용하나?

Accuracy는 클래스가 균형잡혀 있을 때 유용합니다.

좋은 경우:

• 동전 던지기 예측 (앞면 50%, 뒷면 50%)
• 성별 분류 (남성 50%, 여성 50%)
• 균형잡힌 데이터셋

Accuracy의 문제점 ⚠️

클래스 불균형(Class Imbalance)이 있을 때는 매우 misleading합니다!

예시 1: 암 진단

• 전체 환자 1000명 중 암 환자는 10명 (1%)
• 모든 사람을 "건강함"으로 예측하는 바보 모델
• Accuracy = 990/1000 = 99% 😱
• 하지만 암 환자를 한 명도 찾지 못함!

예시 2: 사기 거래 탐지

• 전체 거래 10,000건 중 사기는 50건 (0.5%)
• 모두 "정상"으로 예측
• Accuracy = 9,950/10,000 = 99.5% 😱
• 하지만 사기를 전혀 탐지하지 못함!

지표 비교 정리

지표	의미	언제 중요한가
Accuracy	전체 정확도	클래스 균형 잡힌 경우
Precision	예측의 정밀도	False Positive 비용이 클 때
Recall	실제의 검출률	False Negative 비용이 클 때

실전 조언

불균형 데이터에서는 Accuracy만 보면 안 되고:

• Precision과 Recall을 함께 확인
• F1-Score (Precision과 Recall의 조화평균) 사용
• Confusion Matrix 전체를 살펴보기

예를 들어, 암 진단 모델:

• Accuracy 99%라도
• Recall이 0%라면 → 쓸모없는 모델!

따라서 상황에 맞는 지표를 선택하는 것이 중요합니다! 🎯