True/False Positive/Negative 정리

인공지능개론 들을 땐 바로 이해했던 개념인데 이번에 졸작하면서 다시 찾아보니 왠지 이해가 안 됐었던...

빅데이터 수업 듣다가 또 나왔는데 다행히 이해되서 정리해둔다.

 

True Positive

False Positive

True Negative

False Negative

 

네 개념은 실제값과 예측값에 따라 계산하며, 뒤에서부터 해석한다.

Positive와 Negative는 예측값이 기준 레이블과 같은지 (예측값 == 기준값?) 여부에 따라 결정되고

True와 False는 그래서 그 예측이 맞았는지 (예측값 == 실제값?) 여부에 따라 결정된다.

 

가령 0과 1 두 가지의 레이블에 대하여 분류하는 문제를 풀었고, 레이블 0에 대하여 TP, FP, TN, FN을 계산한다고 하자.

True Positive는 예측값이 0인데 (기준 레이블과 동일하므로 Positive), 실제값도 0이라서 맞은 경우 (True) 이다.

 

나머지 세 개념도 생각해보면

False Positive는 예측값이 0인데 (Positive), 실제값은 1이라서 틀린 경우 (False)

True Negative는 예측값이 1인데 (Negative), 실제값도 1이라서 맞은 경우 (True)

False Negative는 예측값이 1인데 (Negative), 실제값은 0이라서 틀린 경우 (False)

이다.

 

그래서 model performance를 측정하는 metrics

Precision = TP / (TP + FP)

에서 분모인 (TP + FP)는 "예측을 0이라고 한 것들 중"이라고 해석, 분자인 TP는 "(실제도 0이라서) 맞게 예측한 것은 몇 개?"라고 해석된다.

 

Recall = TP / (TP + FN)

TP는 (예측=0, 실제=0), FN는 (예측=1, 실제=0)이므로 (TP + FN)은 실제로 0인 것들이다.

따라서 분모인 (TP + FN)는 "실제로 0인 것들 중"이라고 해석, 분자인 TP는 "(예측도 0이라서) 맞게 예측한 것은 몇개?"라고 해석된다.

 

F1-Score = 2 * Precision * Recall / (Precision + Recall)

는 Precision과 Recall의 조화평균이다.

 

Accuracy = (TP + TN) / (TP + FP + TN + FN)

에서 분모인 (TP + FP + TN + FN)는 "전체 중에"라고 해석, 분자인 (TP + TN)는 "(어쨌든 예측 == 실제라서) 맞게 예측한 것은 몇 개?"라고 해석된다.