# 부정 클래스

## 개요

머신러닝, 특히 **분류(Classification)** 작업에서 "부정 클래스(Negative Class)"는 특정 관심 있는 사건(또는 객체)이 **발생하지 않았음**을 나타내는 범주를 의미합니다. 이는 "양성 클래스(Positive Class)"와 대조되는 개념으로, 이진 분류(Binary Classification)에서 가장 흔히 사용됩니다. 예를 들어, 스팸 메일 탐지 시스템에서 "스팸이 아님"이라는 결과가 바로 부정 클래스에 해당합니다.

부정 클래스는 모델의 성능 평가, 데이터 불균형 문제, 오분류 비용 등 다양한 머신러닝 이슈에서 핵심적인 역할을 하며, 잘못 정의되거나 무시될 경우 모델의 신뢰성과 실용성이 크게 저하될 수 있습니다.

---

## 부정 클래스의 정의와 역할

### 이진 분류에서의 부정 클래스

이진 분류는 두 개의 상호 배타적인 클래스로 데이터를 분류하는 작업입니다. 일반적으로 다음과 같은 구조를 가집니다:

- **양성 클래스 (Positive Class)**: 관심 있는 사건 또는 탐지하고자 하는 대상 (예: 암 진단에서 "암 존재", 사기 탐지에서 "사기 거래")
- **부정 클래스 (Negative Class)**: 관심 사건이 **발생하지 않은 경우** (예: "정상 거래", "건강한 환자")

예를 들어, 의료 진단 모델에서 부정 클래스는 질병이 없는 환자를 나타내며, 이는 모델이 질병이 없는 사람을 정확히 식별할 수 있도록 하는 기준이 됩니다.

### 다중 클래스 분류에서의 확장

다중 클래스 분류(Multiclass Classification)에서는 특정 클래스를 기준으로 삼아 **일대다(One-vs-Rest)** 방식으로 분류를 수행할 때, 나머지 모든 클래스가 부정 클래스로 간주됩니다. 예를 들어, 고양이, 개, 토끼를 분류하는 모델에서 "고양이"를 양성 클래스로 설정하면, "개"와 "토끼"는 모두 부정 클래스로 처리됩니다.

---

## 부정 클래스의 중요성

### 1. 성능 평가 지표와의 연관성

부정 클래스는 분류 모델의 성능을 평가하는 다양한 지표에서 핵심 요소입니다. 주요 지표는 다음과 같습니다:

| 지표 | 설명 |
|------|------|
| **정밀도(Precision)** | 양성으로 예측한 것 중 실제로 양성인 비율 (부정 클래스 오분류 영향 있음) |
| **재현율(Recall)** | 실제 양성 중에서 올바르게 양성으로 예측한 비율 |
| **특이도(Specificity)** | 실제 부정 클래스 중에서 올바르게 부정으로 예측한 비율 |
| **F1 점수** | 정밀도와 재현율의 조화 평균 |

특히 **특이도(Specificity)** 는 부정 클래스의 정확한 식별 능력을 직접적으로 측정합니다. 예를 들어, 코로나19 진단 테스트에서 건강한 사람(부정 클래스)을 잘못 양성으로 판정하면 불필요한 격리와 불안을 초래하므로, 높은 특이도가 중요합니다.

### 2. 데이터 불균형 문제

현실 세계의 데이터셋은 종종 **클래스 불균형(Class Imbalance)** 이 발생합니다. 예를 들어, 사기 탐지 시스템에서 정상 거래(부정 클래스)는 사기 거래(양성 클래스)보다 훨씬 많습니다. 이 경우 모델이 부정 클래스만 맞추더라도 정확도(Accuracy)가 높게 나오지만, 실제로는 유용하지 않을 수 있습니다.

이러한 문제를 해결하기 위해 다음과 같은 기법이 사용됩니다:

- **오버샘플링(Oversampling)**: 소수 클래스(양성)를 증식
- **언더샘플링(Undersampling)**: 다수 클래스(부정)를 축소
- **클래스 가중(Class Weighting)**: 손실 함수에 부정/양성 클래스에 다른 가중치 적용

---

## 부정 클래스 설정 시 고려사항

### 1. 도메인 지식의 중요성

어느 클래스를 부정으로 설정할지는 단순한 기술적 결정이 아니라 **도메인 지식**에 기반해야 합니다. 예를 들어, 질병 진단에서는 질병이 없는 상태를 부정 클래스로 설정하는 것이 일반적이지만, 드문 질병의 경우 "정상"이 오히려 드물 수 있어 주의가 필요합니다.

### 2. 오분류 비용의 불균형

부정 클래스를 오분류했을 때의 비용은 상황에 따라 다릅니다:

- **거짓 양성(False Positive)**: 부정 클래스를 양성으로 잘못 예측 → 불필요한 조치 유발
- **거짓 부정(False Negative)**: 양성 클래스를 부정으로 잘못 예측 → 심각한 결과 초래 가능

예: 암 진단에서 거짓 부정은 생명을 위협할 수 있으므로, 부정 클래스의 정의와 모델의 민감도 조정이 매우 중요합니다.

---

## 관련 개념

- **양성 클래스 (Positive Class)**: 관심 있는 사건을 나타내는 클래스
- **혼동 행렬 (Confusion Matrix)**: TP, TN, FP, FN을 통해 분류 성능을 시각화 (TN: True Negative, 부정 클래스를 올바르게 예측한 경우)
- **ROC 곡선과 AUC**: 특이도와 재현율의 균형을 평가하는 도구

---

## 참고 자료

- Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
- Hastie, T., Tibshirani, R., & Friedman, J. (2009). *The Elements of Statistical Learning*. Springer.
- Scikit-learn 공식 문서: [https://scikit-learn.org](https://scikit-learn.org)

> 이 문서는 머신러닝 분야에서 부정 클래스의 개념, 중요성, 그리고 실무적 고려사항을 종합적으로 설명합니다. 정확한 클래스 정의는 모델의 신뢰성과 실용성을 결정짓는 핵심 요소임을 기억해야 합니다.