Preicision, Recall, F1-Score, Sensitivity, PR Curve, ROC Curve, AUPR, AUROC, Confusion Matrix

Confusion Matrix

	Positive	Negative
Positive	TP (True Positive)	FP (False Positive)
Negative	FN (False Negative)	TN (True Negative)

 

• TP(True Positive): 실제 Positive를 Positive로 예측
• FP(False Positive): 실제 Negative를 Positive로 예측
• FN(False Negative): 실제 Positive를 Negative로 예측
• TN(True Negative): 실제 Negative를 Negative로 예측

 

Matrix

Precision: Positive라고 예측했을 때 실제 Positive 비율

 

Recall(=Sensitivity=TPR): 실제 Positive 중에 Positive로 예측한 비율

 

F1-Score: Precision과 Recall의 균형을 고려한 지표

 

PR(Precision-Recall) Curve: x축 recall, y축 precision으로 우측상단에 가까울수록 성능이 좋다.

AUPR(Area Under PR): PR Curve의 아래 면적으로, 1에 가까울수록 모델 성능이 좋다.

AUPR이 높을수록 모델이 Positive를 잘 예측하고 있다는 의미로 해석 가능하다.

https://xogns7652.tistory.com/entry/Precision-Recall-TPR-FPR-AUROC-AUPR

 

FPR: 실제 Negative 중 Positive로 잘못 예측한 비율

 

ROC Curve: x축 FPR, y축 TPR로 좌측 상단에 가까울수록 성능이 좋다.

AUROC(Area Under ROC): ROC Curve의 아래 면적으로, 1에 가까울수록 모델 성능이 좋다.

불균형한 데이터셋에 유용하며, 모델의 전체적인 분류성능을 평가할 수 있다.

https://xogns7652.tistory.com/entry/Precision-Recall-TPR-FPR-AUROC-AUPR

참고: https://heeya-stupidbutstudying.tistory.com/entry/ML-%EB%AA%A8%EB%8D%B8-%ED%8F%89%EA%B0%80%EC%A7%80%ED%91%9C-%EC%98%A4%EC%B0%A8%ED%96%89%EB%A0%AC-PRC-ROC-AUC

https://xogns7652.tistory.com/entry/Precision-Recall-TPR-FPR-AUROC-AUPR

https://data-minggeul.tistory.com/10