분류기 예시
앞에는 분류기를 맞췄냐 못맞췄냐 , True vs False
뒤에는 어떻게 예측 했냐 , Positive vs Negative
분류기 기준이다!
결과를 속할 확률을 반환한다
default threshold 는 0.5 이고 변화를 시키는 것이 크게 의미 없다
Recall 과 Precision 은 Trade-off 관계이므로 무엇을 판단하냐에 따라 중요하게 보는 기준을 다르게 해야한다.
Recall : 실제 양성인 데이터를 음서이라고 판단하면 안되는 경우
Precision : 실제 음성인 데이터를 양성이라고 판단하면 안되는 경우
조금 복잡해 보이는데 색깔로 기억하자..!!
ROC 곡선
예를 들어보자
위 그래프는 암환자를 받은 사람들이라고 생각하자.
TPR은 True Positive 즉, 환자가 실제로 암이고, 암 판정을 받은 것이고
FPR은 False Positive 즉, 암이라고 잘 못 판단 한 것이다.
깔끔하게 정리를 못하겠다,,,
다음 블로그를 참고하자..
(참고 : https://angeloyeo.github.io/2020/08/05/ROC.html)