# 긍정적 예측

## 개요

**긍정적 예측**(Positive Prediction)은 인공지능, 특히 머신러닝 모델의 평가 과정에서 중요한 개념 중 하나로, 모델이 특정 샘플이 **양성**(positive) 클래스에 속한다고 판단한 경우를 의미합니다. 이는 분류 문제에서 모델의 예측 결과를 분석하고 성능을 평가하는 데 핵심적인 역할을 하며, **혼동 행렬**(Confusion Matrix)의 구성 요소 중 하나입니다.

예를 들어, 질병 진단 모델이 환자의 검사 결과를 바탕으로 "질병이 있다"고 판단하는 경우, 이는 긍정적 예측에 해당합니다. 이 예측이 실제로 질병이 있는 환자에게 내려졌는지, 아니면 건강한 환자에게 잘못 내려졌는지에 따라 **진양성**(True Positive) 또는 **거짓양성**(False Positive)으로 구분됩니다.

본 문서에서는 긍정적 예측의 정의, 관련 지표, 활용 사례, 그리고 평가 시 주의할 점에 대해 자세히 설명합니다.

---

## 긍정적 예측의 정의와 구조

### 기본 개념

긍정적 예측은 모델이 입력 데이터를 **양성 클래스**(예: 질병 존재, 스팸 이메일, 사기 거래 등)로 분류한 모든 경우를 포함합니다. 이는 두 가지 하위 범주로 나뉩니다:

- **진양성**(True Positive, TP): 실제로 양성인 샘플을 모델이 올바르게 양성으로 예측한 경우.
- **거짓양성**(False Positive, FP): 실제로 음성인 샘플을 모델이 잘못 양성으로 예측한 경우.

따라서, 긍정적 예측의 총합은 다음과 같습니다:

```
총 긍정적 예측 = TP + FP
```

### 혼동 행렬에서의 위치

긍정적 예측은 혼동 행렬의 첫 번째 열에 해당합니다.

|                    | **실제 양성** | **실제 음성** |
|--------------------|---------------|---------------|
| **예측 양성**       | TP            | FP            |
| **예측 음성**       | FN            | TN            |

- **예측 양성** 행 전체가 긍정적 예측에 해당합니다.

---

## 관련 평가 지표

긍정적 예측은 여러 성능 지표의 계산에 사용되며, 대표적인 지표는 다음과 같습니다.

### 1. 정밀도 (Precision)

정밀도는 모델이 긍정적이라고 예측한 경우 중 **정말로 긍정적인 비율**을 나타냅니다.

\[
\text{정밀도} = \frac{TP}{TP + FP}
\]

- **해석**: 정밀도가 높을수록 거짓양성(FP)이 적고, 긍정적 예측의 신뢰도가 높음.
- **응용 사례**: 스팸 필터링 시스템에서 정밀도가 중요함. 정상 이메일이 스팸으로 잘못 분류되는 것을 최소화해야 하기 때문.

### 2. 양성 예측률 (Positive Predictive Value, PPV)

의료 진단 등 특정 분야에서는 정밀도를 **양성 예측률**(PPV)이라고 부르며, 동일한 수식을 사용합니다.

### 3. 거짓양성률 (False Positive Rate, FPR)

\[
\text{FPR} = \frac{FP}{FP + TN}
\]

- 긍정적 예측 중 잘못된 예측의 비율을 나타냄.
- 낮을수록 모델의 성능이 우수함.

---

## 실제 적용 사례

### 의료 진단

- **문제 상황**: 암 진단 모델이 환자의 영상 데이터를 분석하여 "암이 의심됨"이라고 판단.
- **긍정적 예측**: "암이 있음"으로 예측된 모든 환자.
- **중요성**: 거짓양성(건강한 사람을 암 환자로 잘못 진단)은 불필요한 추가 검사와 환자의 심리적 부담을 초래할 수 있음.
- **해결 방향**: 정밀도를 높여 긍정적 예측의 신뢰도를 강화.

### 금융 사기 탐지

- **문제 상황**: 거래 내역을 분석해 사기 여부를 예측.
- **긍정적 예측**: "사기 거래"로 분류된 모든 거래.
- **중요성**: FP(정상 거래를 사기로 판단)는 고객 불만과 서비스 차단 문제를 유발할 수 있음.
- **해결 방향**: 정밀도와 재현율(F1-score)의 균형을 맞추는 전략 필요.

---

## 주의사항과 한계

- **불균형 데이터셋**(Imbalanced Dataset)에서 긍정적 예측의 해석은 주의가 필요합니다.  
  예: 질병 발병률이 0.1%인 경우, 모델이 모든 샘플을 음성으로 예측해도 정확도는 99.9%지만, 긍정적 예측 능력은 0이 됨.

- **임계값**(Threshold) 조정을 통해 긍정적 예측의 수를 늘리거나 줄일 수 있음.  
  예: 분류 모델의 출력 확률이 0.5 이상일 때 양성으로 예측 → 임계값을 0.3으로 낮추면 긍정적 예측 수 증가 (재현율 ↑, 정밀도 ↓).

- **비용 민감한 환경**(Cost-sensitive)에서는 긍정적 예측의 질보다 양이 중요한 경우도 있음.  
  예: 초기 스크리닝 단계에서는 FP를 감수하더라도 TP를 높이는 것이 유리할 수 있음.

---

## 관련 문서 및 참고 자료

- [혼동 행렬](https://ko.wikipedia.org/wiki/혼동_행렬)
- [정밀도와 재현율](https://ko.wikipedia.org/wiki/정밀도와_재현율)
- [ROC 곡선과 AUC](https://ko.wikipedia.org/wiki/ROC_곡선)
- Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.

---

긍정적 예측은 모델 평가의 기초이자 핵심 요소로, 이를 정확히 이해하고 해석하는 것은 인공지능 시스템의 신뢰성과 실용성을 높이는 데 필수적입니다. 특히, 실제 응용 환경에서 긍정적 예측의 질을 개선하는 것은 사용자 경험과 시스템 효율성에 직접적인 영향을 미칩니다.