모델의 예측 성능을 평가하는 F1-Score

머신러닝에서 모델을 평가할 때 정밀도와 재현율은 서로 상반된 특성을 가질 수 있습니다.

정밀도를 높이면 재현율이 낮아지고, 재현율을 높이면 정밀도가 낮아지는 경향이 있습니다.

이러한 문제를 해결하기 위해 정밀도와 재현율의 균형을 고려하는 F1-Score가 사용됩니다.

F1-Score는 다음과 같이 계산합니다.

$$\text{F1-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

여기서 Precision은 정밀도, Recall은 재현율을 의미합니다.

F1-Score는 정밀도와 재현율의 조화 평균(Harmonic Mean)으로, 두 값이 균형을 이루도록 설계되었습니다.

따라서 한쪽 값이 극단적으로 낮아지면 F1-Score은 더 낮아지게 됩니다.

F1-Score는 정밀도와 재현율 사이의 균형을 평가합니다.

특히, 데이터가 불균형할 때 정확도보다 더 적절한 성능 평가 지표로 활용됩니다.

예를 들어 정밀도가 80%이고 재현율이 40%라면, 두 지표의 단순 평균은 다음과 같습니다.

복사
(80% + 40%) / 2 = 60%

하지만 F1-Score는 정밀도와 재현율의 조화 평균으로 계산되기 때문에 다음과 같이 계산됩니다.

복사
2 * (80% * 40%) / (80% + 40%) = 50%

반대로 정밀도와 재현율이 60%로 동일하다면, F1-Score도 60%가 됩니다.

하지만 한쪽 값이 극단적으로 낮아지면 F1-Score도 급격히 낮아집니다.

정밀도가 80%, 재현율이 10%인 경우 단순 평균과 F1-Score는 다음과 같이 계산됩니다.

복사
단순 평균 = (80% + 10%) / 2 
         = 45%

복사
F1-Score = 2 * (80% * 10%) / (80% + 10%) 
         ≈ 18%

이와 같이 한쪽 값이 극단적으로 낮으면 F1-Score도 급격히 낮아지며, 두 값이 균형을 이룰 때 가장 높은 값을 가집니다.

다음 수업에서는 지금까지 배운 머신러닝 모델 평가 지표에 대한 퀴즈를 풀어보겠습니다.