분류성능지표: precision, recall, accuracy

분류 성능 지표를 위해 필요한 네 가지 경우가 다음과 같이 발생한다. 

 

		Actual (실제 결과)
		TRUE	FALSE
Predicted (분류 결과)	TRUE	True Positive	False Positive
	FALSE	False Negative	True Negative

 

실제 정답이 True나 False일 수 있고 이를 각각 예측한 결과가 True나 False일 경우가 있다. 

이를 조합하여 True Positive, False Positive, False, Negative, True Negative 네가지 조합이 발생한다. 

혼동되지 않도록 Positive/Negative는 예측된 결과에 대한 내용으로 Positive는 True로 예측한 경우 Negative는 False로 예측한 경우를 말하며 앞에 True/False는 예측 결과와 실제 결과가 일치하는지 여부를 나타낸다. (* 뒤가 예측결과 앞은 정답일치여부)

 

4가지 경우를 각각 말로 표현하면 다음과 같다. 

• TP(True Positive): True로 예측했고 그 실제 결과도 True로 일치하는 경우
• FP(False Positive): True로 예측했지만 그 실제 결과는 False로 불일치 하는 경우
• FN(False Negative): False로 예측했지만 그 실제 결과는 True로 불일치 하는 경우
• TN(True Negative): False로 예측했고 그 실제 결과도 False로 일치하는 경우

 

정밀도(Precision), Positive Predicted Value(PPV)

True로 예측한 결과 중에서 실제로 True인 비율

$$Precision = \frac{TP}{ TP + FP }$$

 

재현률(Recall), sensitivity

실제 True인 것들 중에 True로 맞게 예측한 것의 비율

$$Recall = \frac{TP}{ TP + FN }$$

 

True Negative Rate, specificity

실제 False인 것들 중에 False로 맞게 예측한 것의 비율

$$True\,Negative\,Rate = \frac{TN}{TN+FP}$$

 

False Positive Rate, Fall-out

실제 False인 것들 중에 True로 잘못 예측한 것들의 비율

$$False\,Positive\,Rate = \frac{FP}{TN + FP}$$

 

False Negative Rate

실제 True인 것 들 중에 False로 잘못 예측한 것들의 비율

$$False\,Negative\,Rate = \frac{FN}{FN+TP}$$

 

정확도(Accuracy)

가장 직관적으로 생각할 수 있는 지표로 전체 분류 시도 중에 맞게 예측한 시도의 비율이다. True를 예측했는데 실제로도 True인 것을 맞춘 경우와 False로 예측했는데 실제로도 False 였던 경우의 수가 모두 올바르게 예측한 경우의 수이다.

$$Accuracy = \frac{ TP + TN }{TP + TN + FP + FN}$$

 

F1 Score

Precision과 Recall의 조화  평균 식으로 표현