정밀도와 재현율의 질문, 다음 실험으로 이어지는 회고

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

하나의 예제를 이해했다고 주제 전체를 해결한 것은 아니다. 확인한 범위와 아직 모르는 범위를 나누어야 다음 시도가 반복 작업으로 끝나지 않는다. 이번 기록에서는 앞서 정리한 원칙을 다시 적용하고, 남은 가정을 확인할 작은 실험으로 연결한다.

결론보다 남은 질문

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: 이번 확인으로 알게 된 사실과 아직 검증하지 않은 가정을 구분했는가?

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. 실제로 확인한 결과를 조건과 함께 한 문장으로 남긴다.
2. 다른 입력이나 환경에서 달라질 가능성이 있는 가정을 고른다.
3. 다음 시도에서 한 번에 바꿀 변수 하나와 관찰 방법을 정한다.

회고가 큰 결심으로 끝나면 실행 여부를 확인하기 어렵다. 다음에 바꿀 입력 하나와 기대하는 결과 하나를 정해 두는 편이 좋다. 작은 검증이 쌓이면 주제를 다시 만났을 때 처음부터 추측하지 않고 이전의 증거 위에서 판단할 수 있다.