7. 성능평가

성능평가지표

• True Positive(TP) : 실제 True인 정답을 True라고 예측 (정답)
• False Positive(FP) : 실제 False인 정답을 True라고 예측 (오답)
• False Negative(FN) : 실제 True인 정답을 False라고 예측 (오답)
• True Negative(TN) : 실제 False인 정답을 False라고 예측 (정답)

Accuracy(정확도)

$Accuracy=\frac{TP+TN}{TP+FN+FP+TN}$

---

Precision(정밀도)

$Precision=\frac{TP}{TP+FP}=\frac{TP}{AllPredictions}$

FP = 실제론 없는데, 찾았다고 해서 틀림(엉뚱하게 찾은 것) TP + FP 는 총 찾은 것들 Precision = 찾은 것들 중에 얼마나 정답인가 엉뚱하게 찾은 것(FP)이 많을 수록 정밀도는 떨어짐 엉뚱하게 찾은 것(FP)이 많을 수록 정답(TP)을 찾을 확률은 높아지고, 정답(TP)를 찾을 확률이 높아지면 맞는데 못찾은 것(FN)의 확률은 낮아짐. 그러면 재현율이 높아짐.

---

Recall(재현율)

$$Recall=\frac{TP}{TP+FN}=\frac{TP}{AllGroundTruth}$$

FN = 실제로 있는데, 못 찾음 : 실제로 맞는데, 틀렸다고 함 (못 찾은 것) TP + FN 은 총 찾아야 할 것들(찾아야할 객체 들) Recall = 실제 Positive중 올바르게 Positive를 예측해 낸 비율 찾야아 하는 데 못 찾은것(FN)이 높을 수록 재현율은 떨어짐 찾아야하는데 못 찾은것(FN)이 낮을 수록 TP는 높아지지만 오히려 과하게(FP) 찾을 수도 있음. 그러면 정밀도가 떨어짐.

---

F1-Score (조화평균)

$$\text{F1 Score}=\frac{2\times (Precision\times Recall)}{Precision+Recall}$$

F1 점수는 모델 성능에 대한 평균 아이디어를 얻기 위해 정밀도와 재현율 사이의 균형을 유지

---

DeepLearning