긍정적 예

## 개요

**긍정적 예측**(Positive Prediction)은 인공지능 특히 분류 모델의 평가 과정에서 핵심적인 개념 중 하나이다. 이는 모델이 특정 샘플이 **양성 클래스**(positive class)에 속한다고 판단하는 예측 결과 의미한다. 예를, 암 진단델에서 "환자가에 걸렸다고 예측하는 경우, 또는 스팸 메일 필터에서 "이 메일은 스팸이다"라고 판단하는 경우가 이에 해당한다.

긍정적 예측은 모델의 성능을 평가하는 데 있어 **정밀도**(Precision), **재현율**(Recall), **정확도**(Accuracy) 등 다양한 지표의 기반이 된다. 특히, 잘못된 긍정적 예측(위양성, False Positive)과 올바른 긍정적 예측(진양성, True Positive)을 구분하는 것은 모델의 신뢰성과 실용성을 판단하는 데 매우 중요하다.

---

## 긍정적 예측의 종류

긍정적 예측은 실제 정답과의 일치 여부에 따라 두 가지 하위 범주로 나뉜다.

### 1. 진양성 (True Positive, TP)

- **정의**: 모델이 긍정적 예측을 했으며, 실제 정답도 긍정적인 경우.
- **예시**: 환자가 실제로 암에 걸렸고, 모델도 "암"으로 예측함.
- **의의**: 모델이 올바르게 양성 사례를 식별한 것으로, 재현율과 정밀도 계산에 긍정적인 기여를 한다.

### 2. 위양성 (False Positive, FP)

- **정의**: 모델이 긍정적 예측을 했지만, 실제 정답은 부정적인 경우.
- **예시**: 환자가 건강한데도 모델이 "암"으로 잘못 예측함.
- **의의**: 잘못된 경보를 발생시키는 오류로, 특히 민감한 분야(의료, 보안 등)에서 문제를 일으킬 수 있다.

---

## 긍정적 예측과 관련된 평가 지표

긍정적 예측은 여러 성능 지표의 계산에 직접적으로 사용된다. 주요 지표는 다음과 같다.

### 1. 정밀도 (Precision)

정밀도는 모델이 **긍정적이라고 예측한 것 중 실제로 긍정적인 비율**을 나타낸다.

\[
\text{정밀도} = \frac{\text{진양성 (TP)}}{\text{진양성 (TP)} + \text{위양성 (FP)}}
\]

- **해석**: 정밀도가 높을수록 긍정적 예측의 신뢰도가 높다.
- **응용 예**: 스팸 메일 필터링에서 정밀도가 높아야 정상 메일이 스팸으로 잘못 분류되는 일이 줄어든다.

### 2. 재현율 (Recall, 민감도 Sensitivity)

재현율은 **실제 긍정 사례 중에서 모델이 얼마나 잘 찾아냈는지**의 비율이다.

\[
\text{재현율} = \frac{\text{진양성 (TP)}}{\text{진양성 (TP)} + \text{위음성 (FN)}}
\]

- **해석**: 재현율이 높을수록 실제 양성 사례를 놓치지 않는다.
- **응용 예**: 질병 진단에서는 재현율이 높아야 위험한 환자를 놓치지 않는다.

> ✅ **참고**: 재현율은 긍정적 예측의 "누락 여부"를 평가하는 반면, 정밀도는 긍정적 예측의 "정확성"을 평가한다.

### 3. F1 점수 (F1 Score)

정밀도와 재현율의 조화 평균으로, 두 지표의 균형을 나타낸다.

\[
F1 = 2 \times \frac{\text{정밀도} \times \text{재현율}}{\text{정밀도} + \text{재현율}}
\]

- **용도**: 긍정적 예측의 전체적인 품질을 종합적으로 평가할 때 사용.

---

## 긍정적 예측의 중요성과 도전 과제

### 중요성

- **결정적 영향**: 긍정적 예측은 실제 의사결정(예: 치료 시작, 보안 경보 발령)으로 이어지는 경우가 많아 정확성이 매우 중요하다.
- **비용 구조 반영**: 위양성(불필요한 검사)과 위음성(위험한 사례 놓침)의 사회적·경제적 비용이 다르므로, 긍정적 예측의 품질 조정이 필요하다.

### 도전 과제

- **불균형 데이터**: 부정 클래스가 압도적으로 많은 경우(예: 사기 탐지), 모델이 긍정적 예측을 과소하거나 과다하게 할 수 있다.
- **임계값 조정 필요**: 분류 모델은 일반적으로 확률을 출력하므로, 얼마 이상의 확률을 "긍정적 예측"으로 간주할지 **임계값**(threshold)을 설정해야 한다. 임계값을 낮추면 더 많은 긍정 예측이 나오지만 위양성도 증가한다.

---

## 관련 문서 및 참고 자료

- [[위양성]]
- [[재현율]]
- [[정밀도]]
- [[혼동 행렬]]
- [[임계값 조정]]

> 📚 **추천 도서**:
> - *Pattern Recognition and Machine Learning* (Christopher M. Bishop)
> - *Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow* (Aurélien Géron)

> 🌐 **온라인 자료**:
> - [Scikit-learn: Model Evaluation](https://scikit-learn.org/stable/modules/model_evaluation.html)
> - [Google's Machine Learning Crash Course - Classification](https://developers.google.com/machine-learning/crash-course/classification/true-false-positive-negative)

---

긍정적 예측은 단순한 예측 결과를 넘어서, 모델이 현실 세계에서 얼마나 유용하고 신뢰할 수 있는지를 판단하는 핵심 요소이다. 따라서 이를 철저히 분석하고 최적화하는 것은 인공지능 시스템 개발의 핵심 단계라고 할 수 있다.