- Sensitivity = Recall = 재현율
- 제 1종 오류 보다 제 2종 오류가 더 심각할 수 있음
- 제 2종 오류: Recall - 실제 Positive인데 Negative라고 판단한 것
- 실제 Positive인 데이터를 Negative라고 잘못 판단하면 안되는 경우 => Recall이 더 중요 (e.g. 임신: 임신인데 임신이 아니라고 처리한 경우)
- 실제 Negative인 데이터를 Positive라고 잘못 판단하면 안되는 경우 => Precision이 더 중요 (e.g. 스팸: 중요한 메일인데 스팸(1)으로 처리한 경우)
- 그러나, Recall과 Precision은 서로 영향을 주기 때문에 한쪽을 극단적으로 높게 설정하면 안됨
- Recall과 Precision 둘다 높을 수록 F1 스코어는 높은 값을 가지고, 더 좋은 모델이라는 뜻임
- B(베타)가 1일 때가 F1 Score라고 부름
- FPR(Fall-out, 실제 Negative 중에 Positive로 예측한 것), TPR(Recall, 실제 Positive 중에 Positive인 것)
- Recall(TPR)과 Fall-out(FPR) 수치로 그래프를 그려봤을 때, 1X1 면적을 거의 다 채울수록 좋은 수치
