분류 모델 평가 지표

0 or 1을 예측하는 것

 

 

혼동 행렬 (Confusion Matrix)

• 분류 문제에서 모델의 성능을 평가하는데 사용되는 표
• True Positive (TP): 실제로 참(True)인 값을 모델이 올바르게 참이라고 예측한 경우
• True Negative (TN): 실제로 거짓(False)인 값을 모델이 올바르게 거짓이라고 예측한 경우
• False Positive (FP): 실제로는 거짓(False)이지만 모델이 잘못해서 참(True)이라고 예측한 경우
• False Negative (FN): 실제로는 참(True)이지만 모델이 잘못해서 거짓(False)이라고 예측한 경우

Recall / Precision	참 (Positive)	거짓 (Negative)
참 (Positive)	True Positive (TP)	False Negative (FN)
거짓 (Negative)	False Positive (FP)	True Negative (TN)

 

평가 지표

• 정확도(Accuracy): 전체 예측 중 올바른 예측의 비율

• 정밀도(Precision): 참으로 예측한 값 중 실제로 참인 비율 (ex: 코로나라고 예측한 사람 중 실제로 양성인 비율)

• 재현율(Recall, Sensitivity): 실제 참인 값 중에서 모델이 참으로 잘 예측한 비율 (ex: 코로나 환자들 중 양성이라고 예측한 비율)

• F1 점수(F1 Score): 정밀도와 재현율의 조화 평균

 

 

---

# import
from sklearn.metrics import accuracy_score, precision_score, recall_score, f1_score
from sklearn.metrics import confusion_matrix, classification_report

# prepare data

# make model

# fit model

# predict

# use
print(confusion_matrix(y_test, y_pred))
print(classification_report(y_test, y_pred))

 

confusion_matrix

classification_report