# 긍정적 예측

**긍정적 예측**(Positive Prediction)은 인공지능, 특히 머신러닝 모델의 평가 과정에서 중요한 개념 중 하나로, 모델이 특정 샘플이 **양성 클래스**(positive class)에 속한다고 예측한 경우를 의미합니다. 이는 이진 분류 문제에서 주로 사용되며, 모델의 성능을 평가하는 다양한 지표(예: 정밀도, 재현율, F1 점수 등)의 기초가 됩니다. 본 문서에서는 긍정적 예측의 정의, 관련 개념, 평가 지표에서의 역할, 그리고 실제 적용 사례를 중심으로 설명합니다.

---

## 개요

머신러닝 모델은 입력 데이터를 바탕으로 특정 결과를 예측합니다. 이진 분류 문제에서는 결과가 두 가지 클래스로 나뉘며, 일반적으로 이를 **양성**(Positive)과 **음성**(Negative)으로 구분합니다. 예를 들어, 암 진단 모델에서 "암 존재"는 양성 클래스, "암 없음"은 음성 클래스입니다.

**긍정적 예측**은 모델이 주어진 샘플이 양성 클래스에 속한다고 판단한 경우를 말합니다. 그러나 이 예측이 항상 정확한 것은 아니며, 실제 정답과 비교하여 다음과 같은 네 가지 경우로 구분할 수 있습니다:

- **참 긍정**(True Positive, TP): 모델이 긍정을 예측하고, 실제로 긍정인 경우
- **거짓 긍정**(False Positive, FP): 모델이 긍정을 예측했지만, 실제로는 음성인 경우
- **참 음성**(True Negative, TN): 모델이 음성을 예측하고, 실제로 음성인 경우
- **거짓 음성**(False Negative, FN): 모델이 음성을 예측했지만, 실제로는 긍정인 경우

이 중 **긍정적 예측**은 TP와 FP의 합으로 정의되며, 모델이 "이 샘플은 양성입니다"라고 판단한 전체 사례를 포함합니다.

---

## 긍정적 예측의 중요성

### 1. 모델 평가 지표의 기초

긍정적 예측은 모델의 성능을 평가하는 여러 지표를 계산하는 데 핵심적인 역할을 합니다. 대표적인 지표는 다음과 같습니다.

#### 정밀도(Precision)
정밀도는 **모델이 긍정으로 예측한 것 중 실제로 긍정인 비율**을 나타냅니다.

$$
\text{정밀도} = \frac{\text{TP}}{\text{TP} + \text{FP}}
$$

- 높은 정밀도는 거짓 긍정(FP)이 적음을 의미하며, 긍정 예측의 신뢰도가 높다는 것을 나타냅니다.
- 예: 스팸 메일 분류기에서 정밀도가 높으면 "스팸으로 예측된 메일" 중 실제 스팸의 비율이 높아, 정상 메일이 잘못 차단되는 경우가 적습니다.

#### 재현율(Recall 또는 Sensitivity)
재현율은 **실제 긍정 샘플 중에서 모델이 얼마나 많이 긍정으로 예측했는지**의 비율입니다.

$$
\text{재현율} = \frac{\text{TP}}{\text{TP} + \text{FN}}
$$

- 높은 재현율은 거짓 음성(FN)이 적음을 의미합니다.
- 예: 질병 진단에서 재현율이 높으면 실제 환자 중에서 진단을 놓치는 경우가 적어, 생명을 구하는 데 중요합니다.

---

## 긍정적 예측의 활용 사례

### 1. 의료 진단 시스템

의료 분야에서 긍정적 예측은 질병의 존재 여부를 판단하는 데 사용됩니다. 예를 들어, 폐암 검출 AI 모델이 "이 CT 영상에서 폐암이 의심됨"이라고 판단하는 것은 긍정적 예측입니다. 이 경우, FP는 불필요한 추가 검사로 이어질 수 있고, FN은 치명적인 오진이 될 수 있으므로, 긍정적 예측의 정확성을 높이는 것이 중요합니다.

### 2. 사기 탐지(Fraud Detection)

금융 기관은 거래 데이터를 분석하여 사기를 탐지하는 모델을 운영합니다. 모델이 "이 거래는 사기일 가능성이 높음"이라고 판단하는 것은 긍정적 예측입니다. 이 경우 FP는 정상 거래를 오진하여 고객 불만을 초래할 수 있고, TP는 실제 사기 거래를 차단하여 손실을 방지합니다.

---

## 긍정적 예측의 함정과 주의사항

### 1. 데이터 불균형 문제

실제 데이터에서 긍정 샘플(예: 암 환자, 사기 거래)이 매우 적은 경우, 모델이 무조건 "음성"을 예측해도 정확도가 높게 나타날 수 있습니다. 이 경우, 긍정적 예측이 매우 드물어 재현율이 낮아지며, 모델의 실용성이 떨어집니다. 따라서 **정확도**(Accuracy)보다는 정밀도, 재현율, F1 점수 등을 함께 고려해야 합니다.

### 2. 임계값(Threshold) 조정

분류 모델은 일반적으로 확률 값을 출력하며, 이 값을 기준으로 긍정/음성으로 분류합니다. 예를 들어, 확률이 0.5 이상이면 긍정으로 예측합니다. 이 **임계값**을 조정하면 긍정적 예측의 수가 달라지며, 정밀도와 재현율 사이의 트레이드오프가 발생합니다.

- 임계값을 낮추면 → 더 많은 샘플이 긍정으로 예측됨 (FP ↑, FN ↓) → 재현율 ↑, 정밀도 ↓
- 임계값을 높이면 → 긍정 예측이 보수적임 (FP ↓, FN ↑) → 정밀도 ↑, 재현율 ↓

이러한 조정은 사용 사례에 따라 최적화되어야 합니다.

---

## 관련 문서 및 참고 자료

- [[혼동 행렬]]
- [[정밀도와 재현율]]
- [[F1 점수]]
- [[ROC 곡선]]
- [[임계값 조정]]

> **참고 문헌**
> - Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
> - Provost, F., & Fawcett, T. (2013). *Data Science for Business*. O'Reilly Media.

---

긍정적 예측은 단순한 예측 결과 그 이상의 의미를 가집니다. 모델의 신뢰성, 실용성, 그리고 실제 적용에서의 영향력을 평가하는 데 핵심적인 지표이며, 이를 올바르게 이해하고 해석하는 것은 인공지능 시스템의 성공적인 운영을 위해 필수적입니다.