# 긍정적 예측## 개요

**긍정적 예측**(Positive)은 인공지능, 머신러닝 모델의 평가 과정에서 중요한 개념 중 하나로,델이 특정 샘플이 "양성 클래스(Positive Class)"에 속한다고 판단하는 예측 결과를 의미합니다. 이는 분류 문제에서 특히 이진 분류(Binary Classification)에 자주 사용되며, 질병 진단, 스팸 메일 탐지, 사기 탐지 등 다양한 분야에서 핵심적인 역할을 합니다.

긍정적 예측은 단순히 "예측값이 1이다" 또는 "해당 조건을 만족한다"는 의미를 넘어, 모델의 성능을 평가하는 여러 지표(예: 정밀도, 재현율, F1 점수)를 계산하는 데 기초가 됩니다. 따라서 긍정적 예측의 정의와 그 결과가 실제 데이터와 어떻게 일치하는지를 이해하는 것은 모델의 신뢰성과 윤리적 사용을 판단하는 데 필수적입니다.

## 긍정적 예측의 의미

### 이진 분류에서의 긍정적 예측

이진 분류 문제에서는 두 개의 클래스를 구분합니다: **양성**(Positive)과 **음성**(Negative). 예를 들어, 의료 진단 시스템에서 "질병이 있다"를 양성, "질병이 없다"를 음성으로 설정할 수 있습니다. 이 경우, 모델이 어떤 환자가 질병을 가지고 있다고 판단하면, 이는 **긍정적 예측**입니다.

- **예시**:  
  - 실제: 환자가 질병 O  
  - 모델 예측: 질병 존재 → **긍정적 예측**

이 예측이 정확한지 여부는 실제 라벨과 비교함으로써 판단됩니다.

### 긍정적 예측과 관련된 주요 개념

긍정적 예측은 다음의 네 가지 결과 유형과 밀접하게 연관됩니다. 이는 **혼동 행렬**(Confusion Matrix)을 구성하는 기본 요소입니다.

| | **실제 양성** | **실제 음성** |
|---|---|---|
| **예측 양성** | **진양성**(TP) | **위양성**(FP) |
| **예측 음성** | **위음성**(FN) | **진음성**(TN) |

- **진양성**(True Positive, TP): 실제로 양성이고, 모델도 양성으로 예측함 (정확한 긍정적 예측)
- **위양성**(False Positive, FP): 실제로 음성인데, 모델이 양성으로 잘못 예측함 (잘못된 긍정적 예측)

따라서 **모든 긍정적 예측은 진양성과 위양성의 합**으로 표현됩니다:

```
총 긍정적 예측 수 = TP + FP
```

## 긍정적 예측을 기반으로 한 평가 지표

긍정적 예측은 여러 모델 평가 지표의 핵심 요소입니다. 대표적인 지표들을 살펴보겠습니다.

### 정밀도 (Precision)

정밀도는 **모델이 긍정적이라고 예측한 경우 중 실제로 긍정적인 비율**을 나타냅니다. 즉, 긍정적 예측의 정확성을 측정합니다.

\[
\text{정밀도} = \frac{\text{TP}}{\text{TP} + \text{FP}}
\]

- 높은 정밀도는 위양성(FP)이 적다는 의미 → 긍정적 예측이 신뢰할 수 있음
- 예: 스팸 메일 탐지에서 정밀도가 높으면, 정상 메일을 스팸으로 잘못 분류하는 일이 적음

### 재현율 (Recall, 민감도)

재현율은 **실제 양성 샘플 중에서 모델이 얼마나 잘 찾아냈는지**를 나타냅니다.

\[
\text{재현율} = \frac{\text{TP}}{\text{TP} + \text{FN}}
\]

- 높은 재현율은 위음성(FN)이 적다는 의미 → 실제 양성 사례를 놓치지 않음
- 예: 암 진단에서 재현율이 높아야 위험한 환자를 놓치지 않음

### F1 점수 (F1 Score)

정밀도와 재현율의 조화 평균으로, 두 지표의 균형을 평가합니다.

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

F1 점수는 긍정적 예측의 질과 포괄성을 동시에 고려하므로 불균형 데이터셋에서 유용합니다.

## 긍정적 예측의 함정과 고려 사항

### 불균형 데이터셋에서의 문제

데이터에 음성 샘플이 압도적으로 많을 경우(예: 사 거래 1%, 정상 거래 99%), 모델이 아무런 사기도 탐지하지 않아도 정확도가 99%에 이를 수 있습니다. 이 경우 긍정적 예측이 매우 드물게 발생하므로, 정밀도나 재현율이 낮아질 수 있습니다.

- **해결 방안**: 정확도 외에 정밀도, 재현율, F1 점수 등을 함께 사용
- **예시**: 사기 탐지 시스템에서는 재현율을 우선시해 실제 사기를 놓치지 않도록 설계

### 임계값(Threshold) 조정

분류 모델은 일반적으로 확률 값을 출력하며, 이 값을 기준으로 긍정/음성 결정을 내립니다. 이 기준을 **임계값**이라 부르며, 보통 0.5로 설정됩니다.

- 임계값을 낮추면 → 더 많은 샘플이 긍정적으로 예측됨 (재현율 ↑, 정밀도 ↓)
- 임계값을 높이면 → 긍정적 예측 수 감소 (정밀도 ↑, 재현율 ↓)

따라서 긍정적 예측의 수와 질은 임계값 설정에 따라 크게 달라질 수 있습니다.

## 결론

긍정적 예측은 머신러닝 모델 평가의 핵심 요소로, 단순한 예측 결과를 넘어서 모델의 신뢰성, 실용성, 윤리적 함의까지 영향을 미칩니다. 특히 민감한 분야(의료, 금융, 사법 등)에서는 긍정적 예측의 정확성과 포괄성을 균형 있게 고려해야 하며, 이를 위해 정밀도, 재현율, F1 점수 등의 지표를 적절히 활용해야 합니다.

모델 개발 시에는 단순히 "긍정이라고 예측했다"는 결과 외에도, 그 예측이 **왜** 발생했는지, **어떤 영향**을 미치는지를 깊이 있게 분석하는 것이 중요합니다.

## 참고 자료 및 관련 문서

- [혼동 행렬 (Confusion Matrix)](https://ko.wikipedia.org/wiki/혼동_행렬)
- [정밀도와 재현율](https://en.wikipedia.org/wiki/Precision_and_recall)
- [F1 점수](https://en.wikipedia.org/wiki/F1_score)
- [임계값 조정](https://scikit-learn.org/stable/modules/calibration.html)

> 이 문서는 머신러닝 모델 평가에 관심 있는 연구자, 개발자, 데이터 과학자에게 유용한 기초 개념을 제공합니다.