confusion matrix와 분류 성능 평가 지표
| 실제값 / 예측값 | positive | negative |
| positive | TP | FN |
| negative | FP | TN |
분류 성능 평가 지표
-Accuracy : 정확도
-Precision : 정밀도 (PPV : positive predictive value)
-Recall
-F1 score
그 외
-Error rate : 오분류율
-Specificity : 특이도 (TNR : true negative rate)
-Fall out : 위양성률 (FPR : false positive rate)
1) 정확도
전체 문제 중 정답을 맞춘 비율
정답을 맞춘 경우의 수 = TP + TN
accuracy=(TP+TN) / (TP+FP+TN+FN
**단 imbalance data의 경우 accuracy 만으로 제대로 분류했는지 알 수는 없다. (정상:비정상 = 9:1)
그렇기에 recall과 precision을 사용함
2) precision : 정밀도
positive predictive value : PPV
모델이 p라고 예측한 것들 중 실제 p인 비율 : 모델이 n을 p라고 잘못 예측하면 안되는 경우(imbalance data)에 중요한 지표가 될 수 있음
precision = TP / (TP+FP)
3)recall : 재현율 = sensitivity : 민감도
true positive rate : TPR
실제 정답이 p 인 것 중 모델이 p라고 예측한 비율 : 모델이 p를 n이라고 잘못 예측하면 안되는 경우 중요한 지표가 됨
recal = sensitivity = TP / (TP+FN)
**recall를 높이기 위해선 FN을 낮추는 것이 중요
4) F1 score
recall과 precision의 조화평균 (두 지표는 상호보완적인 평가지표이므로 f1 score 사용)
precision과 recall이 한쪽으로 치우치지 않고 모두 클 때 f1 score 값도 큼
F1=2*precision*recall / (precision+recall)
