🎯 머신러닝 성능 지표 (Machine Learning Performance Metrics)

✨ 1. 서론

머신러닝 모델의 성능을 객관적으로 평가하는 것은 모델 개발의 핵심 과정이다. 잘못된 지표를 사용하면 모델이 실제 문제를 제대로 해결하지 못할 위험이 있으며, 적절한 지표 선택이 성공적인 시스템 구현으로 이어진다. 본 답안에서는 주요 성능 지표와 실무 적용 방안을 정리한다.

---

🔍 2. 본론

🛠️ 2.1 머신러닝 성능 지표의 종류

1️⃣ 분류(Classification) 모델 성능 지표

✅ (1) 정확도 (Accuracy)

• 전체 데이터 중 모델이 올바르게 분류한 비율
• 계산식:

• 장점: 직관적이고 이해하기 쉬움
• 단점: 데이터 불균형 상황에서는 부적절 (예: 환자 100명 중 99명이 건강하고 1명이 환자일 때, 99% 정확도가 의미가 없을 수 있음)

---

✅ (2) 정밀도 (Precision)

• 모델이 '긍정(Positive)'이라고 예측한 것 중 실제로 맞은 비율
• 계산식:​

• 실무 예제: 스팸 필터에서 스팸이라고 예측한 이메일이 실제로 스팸일 확률을 측정할 때 사용

---

✅ (3) 재현율 (Recall)

• 실제 '긍정(Positive)'인 데이터 중 모델이 얼마나 잘 잡아냈는지 평가
• 계산식:
• 실무 예제: 암 진단 모델에서 실제 환자를 놓치지 않는 것이 중요하므로 재현율이 더 중요한 지표가 된다

---

✅ (4) F1 점수 (F1 Score)

• 정밀도와 재현율의 조화 평균
• 계산식:

• 실무 예제: 데이터 불균형 상황에서 정밀도와 재현율의 균형을 맞춰야 할 때 적합

---

✅ (5) ROC-AUC (Receiver Operating Characteristic - Area Under Curve)

• 모델의 전체적인 성능을 평가하는 지표
• AUC 값이 1에 가까울수록 좋은 모델
• 실무 예제: 금융 사기 탐지 모델처럼 True Positive와 False Positive를 균형 있게 판단해야 할 때 유용

---

2️⃣ 회귀(Regression) 모델 성능 지표

✅ (1) 평균 제곱 오차 (MSE, Mean Squared Error)

• 예측값과 실제값의 차이를 제곱해 평균 낸 값
• 값이 클수록 예측 오차가 크다는 의미

✅ (2) 평균 절대 오차 (MAE, Mean Absolute Error)

• 오차의 절대값을 평균 낸 값으로, 해석이 직관적임

✅ (3) 결정 계수 (R² Score)

• 모델이 데이터를 얼마나 잘 설명하는지 평가 (1에 가까울수록 좋음)
• 실무 예제: 부동산 가격 예측 모델에서 가격 변동을 얼마나 잘 설명하는지 확인할 때 사용

---

🔧 2.2 실무 적용 전략

✅ ① 문제 유형에 따른 지표 선택

• 이진 분류: 정밀도, 재현율, F1 점수
• 불균형 데이터: ROC-AUC, F1 점수
• 회귀 모델: MSE, MAE, R²

✅ ② 비즈니스 목표와 지표 정렬

• 고객 이탈 예측: 재현율(Recall) 우선 → 이탈 고객 놓치지 않는 게 중요
• 추천 시스템: 정확도(Accuracy) 우선 → 추천이 잘 맞아야 사용자 경험 개선

✅ ③ 모델 성능 튜닝과 지속적 모니터링

• Hyperparameter 튜닝 시, 지표 변화 추적 → 과적합/과소적합 방지
• 배포 후에도 모델 성능 지속 추적 (MLOps 환경 적용)

---

🎯 3. 결론

머신러닝 모델의 성공 여부는 성능 지표를 얼마나 잘 선택하고 해석하느냐에 달려 있다. 정보관리기술사로서 데이터 기반 시스템을 설계할 때, 모델의 목적과 데이터 특성을 고려한 성능 지표 선정이 필수적이다.

👉 핵심 정리:

• 분류 모델: 정확도, 정밀도, 재현율, F1 점수, ROC-AUC
• 회귀 모델: MSE, MAE, R²
• 문제 유형과 비즈니스 목표에 맞는 지표 선택 전략 필수