머신러닝알고리즘: Precision과 Recall의 관계는 어떻게 되나요?

[FAQ] 머신러닝 알고리즘에서 Precision과 Recall의 관계

Q1. Precision이란 무엇인가요?
A1. Precision(정밀도)은 모델이 양성(Positive)으로 예측한 것 중 실제로 양성인 비율입니다.
• 수식: Precision = TP / (TP + FP)
• TP(True Positive): 모델이 양성으로 맞춘 샘플 수
• FP(False Positive): 모델이 양성으로 잘못 예측한 샘플 수

Q2. Recall이란 무엇인가요?
A2. Recall(재현율)은 실제 양성 샘플 중 모델이 양성으로 올바르게 찾아낸 비율입니다.
• 수식: Recall = TP / (TP + FN)
• FN(False Negative): 모델이 음성으로 잘못 예측한 실제 양성 샘플 수

Q3. Precision과 Recall의 차이는 무엇인가요?
A3.
• Precision: “내가 양성이라 할 때 그 예측이 얼마나 정확한가?”
• Recall: “실제 양성 중 모델이 몇 %를 놓치지 않고 잡아냈는가?”

Q4. Precision과 Recall의 관계(Trade-off)는 어떻게 되나요?
A4.
• 임계값(threshold)을 높이면 모델이 양성이라고 판단하는 기준이 까다로워져 FP가 줄고 Precision이 상승하지만, 동시에 TP도 줄어 Recall은 하락.
• 반대로 임계값을 낮추면 더 많은 샘플을 양성으로 예측해 TP↑(Recall↑)지만 FP도↑(Precision↓).
• 따라서 한쪽을 극대화하면 다른 쪽이 희생되는 경향이 있어 균형점 조정이 필요.

Q5. Precision-Recall Curve란 무엇인가요?
A5.
• 다양한 임계값에 따른 Precision과 Recall의 쌍을 시각화한 그래프
• x축: Recall, y축: Precision • 곡선 아래 영역(AUC)이 클수록 전반적인 균형 성능이 우수함

Q6. F1 Score란 무엇이며 언제 사용하나요?
A6.
• Precision과 Recall의 조화평균(harmonic mean): F1 = 2·(Precision·Recall)/(Precision+Recall)
• 극단적으로 편중된 값을 억제하고 두 지표를 균형 있게 평가
• Precision과 Recall 모두 중요할 때 활용

Q7. Precision을 우선시해야 하는 상황은요?
A7.
• 오탐(False Positive)을 최소화해야 할 때
• 예시: 스팸 필터링(정상 메일을 스팸으로 분류하면 안 됨), 의료 검사 후 추가 검사가 부담스러운 경우

Q8. Recall을 우선시해야 하는 상황은요?
A8.
• 놓치는 양성(False Negative)을 최소화해야 할 때
• 예시: 암 진단(환자를 놓치면 위험), 범죄 용의자 탐지

Q9. 임계값 조정 외에 Precision-Recall을 동시에 개선하는 방법은?
A9.
• 데이터 불균형 해소: 오버샘플링, 언더샘플링, 가중치 조정
• 특징(feature) 엔지니어링: 양성/음성 판별력이 높은 피처 추가
• 알고리즘 앙상블: 여러 모델 예측을 결합해 안정성 확보

Q10. 실제 프로젝트에서 Precision과 Recall을 어떻게 활용하나요?
A10.
• 서비스 목적에 맞춰 지표 우선순위 설정
• A/B 테스트를 통해 임계값·알고리즘별 PR Curve 비교
• 운영 환경 모니터링 시 Precision·Recall 변화를 관찰해 모델 리트레이닝 시점 결정

머신러닝 분류 문제에서 Precision(정밀도)과 Recall(재현율)은 모델의 예측 성능을 평가하는 중요한 지표입니다.

두 지표는 서로 보완적인 관계에 있으며, 하나를 높이면 다른 하나가 떨어지는 경향이 있습니다.

아래에서 이들 개념과 상호 관계를 자세히 설명하겠습니다.

1. Precision과 Recall의 정의 - Precision(정밀도): 모델이 긍정(Positive)이라고 예측한 사례 중 실제로 긍정인 사례의 비율입니다.

즉, “예측이 얼마나 정확한가?”를 나타내며, False Positive(잘못 긍정 예측한 수)의 영향을 받습니다.

- Recall(재현율): 실제 긍정인 사례 중 모델이 긍정이라고 올바르게 예측한 사례의 비율입니다.

즉, “실제 긍정 사례를 얼마나 잘 찾아냈는가?”를 나타내며, False Negative(놓친 긍정 예측 수)의 영향을 받습니다.



2. Precision–Recall 간의 트레이드오프 모델의 예측 임계치(threshold)를 높이면(더 엄격하게 긍정 클래스를 판단하도록 설정) 잘못된 긍정(False Positive)을 줄여 Precision을 끌어올릴 수 있습니다.

그러나 동시에 모델이 긍정으로 판정하기 어려워지므로 실제 긍정 사례 중 더 많은 부분을 놓치게 되어 Recall은 떨어집니다.

반대로 임계치를 낮춰 Recall을 높이면 더 많은 실제 긍정 사례를 잡아낼 수 있지만, 부정 사례를 긍정으로 잘못 예측하는 비율이 늘어나 Precision은 낮아집니다.



3. 실제 활용 관점 - 의학 진단처럼 “긍정(질병 있음)”을 놓치면 큰 불이익이 따르는 경우, Recall을 중시합니다.

환자를 빠뜨리지 않고 잡아내는 것이 중요하기 때문입니다.

- 스팸 필터처럼 “긍정(스팸)”을 잘못 잡아내면 정상 메일이 사라질 수 있는 경우, Precision을 중시합니다.

오탐(False Alarm)을 최소화하는 것이 중요하기 때문입니다.



4. Precision–Recall 곡선 모델의 임계치를 변화시키며 계산한 Precision과 Recall 값을 그래프로 그리면 Precision–Recall 곡선이 만들어집니다.

이 곡선을 통해 다양한 임계치에서 모델이 어떻게 동작하는지, 한쪽 지표를 높일 때 다른 쪽 지표가 어떻게 떨어지는지 시각적으로 확인할 수 있습니다.

곡선 전체 영역(AUC-PR)을 평가하면 특정 임계치에 구애받지 않고 모델 전반의 균형을 파악할 수 있습니다.



5. F1 스코어를 통한 절충 Precision과 Recall은 상호 보완 관계이므로 둘 중 한쪽만 높이는 것이 아니라 균형 있게 유지하는 것이 중요할 때가 많습니다.

이때 Precision과 Recall의 조화평균인 F1 스코어를 사용합니다.

F1 = 2 × (Precision × Recall) / (Precision + Recall)으로 정의하며, 두 지표가 모두 어느 정도 수준 이상으로 유지되었는지를 측정합니다.



6. Precision과 Recall은 모델의 오류가 가지는 의미를 다르게 해석할 수 있게 해주는 지표로, 둘 간에는 트레이드오프 관계가 존재합니다.

임계치를 조정하며 요구사항(오탐 최소화 vs. 누락 최소화)에 따라 적절한 지표를 중시하고, 필요에 따라 PR 곡선이나 F1 스코어 같은 종합 지표를 활용해 최적의 균형점을 찾는 것이 핵심입니다.