정밀도와 재현율의 질문, 대안을 선택하는 기준 정리

모델을 개선했다는 말이 어떤 종류의 실수를 줄였다는 뜻인지 분명하지 않을 수 있다.

문제를 푸는 방법이 둘 이상이면 기능의 개수만 비교하기 쉽다. 하지만 운영 중 설명할 수 있는지, 실패했을 때 되돌릴 수 있는지, 다음 동료가 고칠 수 있는지도 선택의 일부다. 이번에는 현재 조건에서 필요한 성질과 감수할 비용을 나누어 적는다.

장점과 비용을 함께 보기

정밀도는 양성이라고 판단한 것 중 맞은 비율을, 재현율은 실제 양성 중 찾아낸 비율을 묻는다. 두 지표를 업무의 확인 비용과 놓침 비용에 연결해 읽는다.

이번에 확인할 질문: 선택한 방법의 장점이 지금의 제약과 실제로 연결되어 있는가?

작게 확인하는 예제

다음 예제는 핵심 조건을 드러내기 위한 출발점이다. 서비스의 전체 구현을 대신하지 않으므로 실제 입력 범위와 실패 처리 규칙을 함께 읽어야 한다.

from sklearn.metrics import precision_score, recall_score

precision = precision_score(y_true, y_pred, zero_division=0)
recall = recall_score(y_true, y_pred, zero_division=0)
print({'precision': precision, 'recall': recall})

오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 확인한다.

놓치기 쉬운 조건

분모가 없는 집단에서 표시할 값과 경고 정책을 정해야 한다. 한 지표만 좋아졌다는 이유로 전체 품질이 나아졌다고 결론내리지 않는다.

확인할 부분	살펴볼 내용
기준 동작	오탐과 미탐을 각각 하나씩 바꾼 작은 사례에서 어떤 지표가 달라지는지 직접 계산해 확인한다.
비교 조건	입력과 실행 순서를 고정하고 한 번에 한 조건만 바꾼다.
적용 범위	예제가 생략한 의존성과 실제 서비스의 제약을 구분한다.

다음 변경에 적용할 순서

1. 필수 조건과 있으면 좋은 조건을 분리한다.
2. 선택하지 않은 대안이 유리해지는 상황도 한 가지 적는다.
3. 조건이 바뀌면 결정을 다시 검토할 시점을 남긴다.

다른 방법을 배제한 이유가 기록되어 있으면 같은 논의를 처음부터 반복하지 않아도 된다. 선택은 환경에 따라 달라질 수 있다. 무엇을 포기했는지 설명하는 문장이 구현을 이해하는 데 오히려 더 직접적인 도움이 될 때가 많다.