혼동 행렬(Confusion Matrix) 설명

📌 Confusion matrix

---

 

데이터 과학 및 머신 러닝 분야에서 모델의 성능을 평가하고 해석하는 데 있어서, 혼동 행렬(Confusion Matrix)은 핵심적인 개념 중 하나입니다.

 

혼동 행렬은 모델이 예측한 결과와 실제 관측값 간의 관계를 시각적으로 정리하는 강력한 도구로, 모델의 성능을 이해하고 향상시키는 데 도움이 됩니다.

 

혼동 행렬은 분류 모델의 평가를 위한 핵심 도구로, 모델이 얼마나 정확하게 예측하는지, 어떤 유형의 오류가 발생하는지를 살펴볼 수 있는 표입니다.

 

Positive 클래스와 Negatice 클래스 간의 참 양성(True Positive), 참 음성(True Negative), 거짓 양성(False Positive), 그리고 거짓 음성(False Negative)을 나타내는 네 가지 핵심 지표를 제공합니다. 이러한 정보는 모델의 강점과 약점을 파악하고, 향후 개선 사항을 도출하는 데 도움이 됩니다.

 

아래와 같은 표로 확인하면 이해가 더욱 쉬울 것입니다.

 

이에 대해 정확도, 민감도, 특이도 등 여러 성능 지표가 있는데 하나하나 알아봅시다.

 

전체 적인 표입니다. 추가 설명은 아래에 있으니 참고하시길 바랍니다.

정확도(Accuracy)	$\dfrac{TP + TN}{Whole}$
민감도(Sensitivity), 재현율(Recall)	$ \dfrac{TP}{TP+FN} $
특이도(Specificity)	$ \dfrac{TN}{TN+FP} $
PPV(Positive Predictive Value), 정밀도(Precision)	$ \dfrac{TP}{TP+FP} $
NPV(Negative Predictive Value)	$ \dfrac{TN}{TN+FN} $
Balanced Accuracy	$ \dfrac{\text{Sensitivity + Specificity}}{2} $
$F_\beta$	$ F_\beta = \dfrac{(1+\beta^2) \times \text{Precision} \times \text{Recall}}{(\beta^2 \times \text{Precision}) + \text{Recall}} $

 

◾ 정확도(Accuracy) : 정확도는 TP+FP+FN+TN인 전체 값대 옳은 예측을 했던 TP와 TN을 더한 비율.

$$
\text{Accuracy} = \dfrac{TP + TN}{Whole}
$$

 

◾ 민감도(Sensitivity), 재현율(Recall) : 민감도는 실제로 긍정인 샘플을 긍정이라고 분류한 것과 실제 모든 긍정인 샘플의 비율.

$$
\text{Sensitivity} = \dfrac{TP}{TP+FN}
$$

 

◾ 특이도(Specificity) : 특이도는 민감도와 반대로 실제로 부정인 샘플을 부정이라고 분류한 것과 실제 모든 부정인 샘플의 비율

$$
\text{Specificity} = \dfrac{TN}{TN+FP}
$$

 

◾ PPV(Positive Predictive Value) : 실제로 긍정인 샘플을 긍정이라고 분류한 것과 모델이 긍정이라고 분류한 모든 샘플의 비율

$$
\text{PPV} = \dfrac{TP}{TP+FP}
$$

 

◾ NPV(Negative Predictive Value) : 실제로 부정인 샘플을 부정이라고 분류한 것과 모델이 부정이라고 분류한 모든 샘플의 비율

$$
\text{NPV} = \dfrac{TN}{TN+FN}
$$

 

◾ Balanced Accuracy : imbalanced data일 때 주로 보는 성능으로 민감도와 특이도의 평균으로 볼 수 있다.

$$
\text{Balanced Accuracy} = \dfrac{\text{Sensitivity + Specificity}}{2}
$$

 

◾ 정밀도(Precision) : 긍정이라고 예측한 샘플 중 실제로 긍정인 비율(PPV와 같음)

$$
\text{Precision} = \dfrac{TP}{TP+FP}
$$

 

◾ $F_\beta$ : 정밀도와 재현율의 조화평균으로, imbalanced data에서 모델의 성능을 평가할 때 유용.

$$
F_\beta = \dfrac{(1+\beta^2) \times \text{Precision} \times \text{Recall}}{(\beta^2 \times \text{Precision}) + \text{Recall}}
$$