정밀도는 양성으로 예측한 항목 중 실제 양성의 비율이고, 재현율은 실제 양성 중 모델이 찾아낸 비율입니다. 정확도만으로 드러나지 않는 분류 오류를 살펴보는 데 유용하며 분모가 0인 경우 처리 기준을 밝혀야 합니다.
다른 이름: Precision and Recall
전체 정답 비율만으로 부족할 수 있습니다
정확도는 전체 사례 중 맞힌 비율입니다. 한 범주가 압도적으로 많으면 그 범주만 고르는 단순한 방법도 높은 정확도를 얻을 수 있습니다. 그래서 실제로 찾아야 할 사건을 얼마나 찾는지 따로 봅니다.
불량을 양성이라고 정하면, 불량이라고 알린 것 중 진짜 불량의 비율은 정밀도입니다. 실제 불량 중 찾아낸 비율은 재현율입니다. 양성이라는 말은 좋다는 뜻이 아니라 관심 있는 범주를 가리킵니다.
오류마다 비용이 다를 수 있습니다
정상 빵을 불량으로 버리는 오류와 불량 빵을 정상으로 통과시키는 오류는 결과가 다릅니다. 판정 기준을 바꾸면 두 오류의 균형이 달라질 수 있습니다. 하나의 지표를 무조건 최대화하기보다 업무 목적을 먼저 정해야 합니다.
가상의 사례에서 실제 불량 10개 중 8개를 찾고, 정상 빵 2개도 불량이라고 알렸다면 재현율은 8/10, 정밀도도 8/10입니다. 분모가 왜 다른 의미인지 확인해 보세요.
평균 뒤에 가려진 상황을 확인합니다
밝은 사진에는 잘 맞고 어두운 사진에는 계속 틀린다면 전체 평균만으로 문제를 놓칠 수 있습니다. 제품 종류·촬영 조건·시점별로 성능을 나누어 봅니다. 실제 대상 집단을 대표하지 못하는 자료는 불균형한 결과로 이어질 수 있습니다.
2부의 흐름을 연결하면 목표를 정하고, 그에 맞는 자료와 학습 방식을 고른 뒤, 새 자료에서 필요한 지표로 평가하는 순서입니다. 높은 숫자 하나보다 이 과정이 더 중요합니다.
예시와 비교
가상 검사 결과 | 개수 |
|---|---|
실제 불량 | 10 |
찾아낸 불량 | 8 |
정상을 불량으로 잘못 알림 | 2 |
재현율 / 정밀도 | 80% / 80% |
주의할 해석
성능 수치에는 평가 자료·양성의 정의·판정 기준이 필요합니다. 서로 다른 조건의 숫자를 그대로 비교하지 않습니다.
추가 설명
여러 임곗값에서의 성능을 보는 곡선이나 지표도 있습니다. 어떤 지표든 실제 오류의 비용과 함께 해석하며 데이터 수가 적을 때의 변동성도 고려합니다.
출처와 더 읽을 자료
Google — Accuracy, recall, precision, and related metrics — 분류 평가 지표 · 확인 2026-10-29
Google — Types of bias — 자료와 평가의 편향 · 확인 2026-10-29