분류 정확도 계산기

분류 정확도는 전체 예측 중 모델이 올바르게 분류한 비율입니다. 참 양성과 참 음성을 더한 뒤 혼동 행렬의 전체 관측 수로 나눕니다. 직관적인 지표지만 대개 단독으로 해석해서는 안 됩니다. 클래스가 불균형하면 모델이 거의 항상 다수 클래스를 예측하기만 해도 높은 정확도를 보이면서 가장 중요한 사례를 놓칠 수 있습니다. 따라서 이 계산기는 서로 보완하는 다섯 가지 이진 분류 지표를 제공합니다. 정밀도는 양성으로 예측한 것 중 실제 양성의 비율로, TP를 TP와 FP의 합으로 나눕니다. 민감도라고도 하는 재현율은 실제 양성 중 모델이 찾아낸 비율로, TP를 TP와 FN의 합으로 나눕니다. 특이도는 음성을 얼마나 잘 식별하는지 나타내며 TN을 TN과 FP의 합으로 나눕니다. F1 점수는 정밀도와 재현율의 조화 평균이므로, 한쪽을 희생해 다른 쪽을 높이기보다 둘의 균형을 잘 맞춘 모델을 높게 평가합니다. 먼저 평가 결과를 혼동 행렬로 정리하세요. 참 양성은 양성을 올바르게 양성으로 예측한 사례입니다. 거짓 양성은 음성을 잘못 양성으로 예측한 사례입니다. 참 음성은 음성을 올바르게 음성으로 예측한 사례이고, 거짓 음성은 분류기가 놓친 양성 사례입니다. 네 항목 모두 같은 테스트 세트와 결정 임계값에서 얻은 개수여야 합니다. 백분율, 학습 관측값, 서로 다른 임계값의 결과를 섞으면 지표가 유효하지 않게 됩니다. 어떤 지표를 우선할지는 용도에 따라 다릅니다. 의료 선별 검사에서는 질환을 놓치는 비용이 클 수 있어 재현율이 더 주목받습니다. 스팸 필터링이나 자동 제재에서는 잘못된 판정의 비용이 클 수 있어 정밀도가 중요합니다. 음성을 올바르게 배제해야 할 때는 특이도가 유용합니다. 한 모델이 우수하다고 결론 내리기 전에 같은 데이터셋에서 지표를 비교하고, 클래스 비율을 확인하며, 신뢰구간을 고려하세요. 이 계산기는 빠른 분석, 문서화, 임계값 비교를 위한 결정론적 점 추정값을 제공하지만 대표성 있는 데이터 검증을 대신하지 않습니다.