# 긍정적 예측

 개요

**긍정적 예**(Positive Prediction)은 인공능, 특히 분류 모델의 평가 과정에서 중요한 개념 중 하나로, 모델이 어떤 샘플이 **긍정 클래스**(Positive Class)에 속한다고 예측한 결과를 의미합니다. 이는 이진 분류(Binary Classification) 문제에서 주로 사용되며, 예를 들어 스팸 메일 여부, 질병의 존재 여부, 광고 클릭 여부 등의 판단에서 "긍정"은 각각 "스팸", "질병 있음", "클릭함"과 같은 의미를 가집니다.

긍정적 예측은 모델의 성능을 평가하는 다양한 지표(정밀도, 재현율, F1 점수 등)의 기초가 되며, 실제 결과와의 비교를 통해 **정확한 예측**(True Positive)과 **잘못된 예측**(False Positive)으로 세분화됩니다. 이 문서에서는 긍정적 예측의 개념, 관련 지표, 실제 사례 및 주의사항을 중심으로 설명합니다.

---

## 긍정적 예측의 정의와 구성 요소

### 이진 분류와 긍정 클래스

이진 분류 문제에서는 두 개의 클래스, 즉 **긍정 클래스**(Positive)와 **부정 클래스**(Negative)로 데이터를 구분합니다. 모델은 각 입력 샘플에 대해 이 중 어느 클래스에 속하는지를 예측합니다.

- **긍정적 예측**(Positive Prediction): 모델이 "이 샘플은 긍정 클래스에 속한다"고 판단한 경우
- **부정적 예측**(Negative Prediction): 모델이 "이 샘플은 부정 클래스에 속한다"고 판단한 경우

예측 결과는 실제 정답과 비교하여 다음 네 가지로 분류됩니다:

| | 실제 긍정 | 실제 부정 |
|---|---|---|
| **예측 긍정** | True Positive (TP) | False Positive (FP) |
| **예측 부정** | False Negative (FN) | True Negative () |

여기서 **긍정적 예측**은 **TP + FP**의 합으로 정의됩니다.

---

## 긍정적 예측을 기반으로 한 주요 평가 지표

긍정적 예측은 여러 성능 지표의 계산에 핵심적인 역할을 합니다. 주요 지표는 다음과 같습니다.

### 1. 정밀도 (Precision)

정밀도는 모델이 긍정으로 예측한 것 중 실제로 긍정인 비율을 나타냅니다. 즉, 긍정적 예측의 **정확성**을 측정합니다.

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

- **해석**: 정밀도가 높을수록 잘못된 긍정 예측(False Positive)이 적다는 의미입니다.
- **응용 예**: 스팸 메일 탐지 시, 정밀도가 높아야 정상 메일이 스팸으로 잘못 분류되는 일이 줄어듭니다.

### 2. 재현율 (Recall, Sensitivity)

재현율은 실제 긍정 샘플 중 모델이 얼마나 잘 찾아냈는지를 나타냅니다.

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

- **해석**: 재현율이 높을수록 긍정 샘플을 놓치지 않는다는 의미입니다.
- **응용 예**: 암 진단 모델에서는 재현율이 높아야 실제 환자를 누락하지 않습니다.

### 3. F1 점수 (F1 Score)

정밀도와 재현율의 조화 평균으로, 두 지표의 균형을 나타냅니다.

$$
F1 = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}
$$

- **해석**: F1 점수가 높을수록 모델이 긍정적 예측을 정확하고 포괄적으로 수행하고 있음을 의미합니다.

---

## 실제 사례: 의료 진단 시스템

가상의 암 진단 AI 모델이 1,000명의 환자 데이터를 분석한 결과:

- **TP**: 90명 (실제 암 환자 중 정확히 진단됨)
- **FP**: 50명 (정상 환자 중 암으로 잘못 진단됨)
- **FN**: 10명 (암 환자 중 정상으로 잘못 진단됨)
- **TN**: 850명 (정상 환자 중 정확히 진단됨)

이 경우 긍정적 예측은 $90 + 50 = 140$건입니다.

- **정밀도**: $90 / (90 + 50) = 64.3\%$
- **재현율**: $90 / (90 + 10) = 90\%$

이 모델은 실제 암 환자를 잘 찾아내지만(재현율 높음), 정상 환자를 암으로 잘못 진단하는 경우가 많아(낮은 정밀도) 추가 검토가 필요합니다.

---

## 주의사항 및 고려 사항

1. **클래스 불균형 문제**: 데이터에서 부정 클래스가 압도적으로 많을 경우, 긍정적 예측의 정밀도가 낮아질 수 있습니다. 이 경우 정확도(Accuracy)보다 정밀도/재현율이 더 의미 있는 지표입니다.

2. **임계값 조정**: 분류 모델은 일반적으로 확률을 출력하며, 임계값(예: 0.5)을 기준으로 긍정/부정을 결정합니다. 이 임계값을 조정하면 긍정적 예측의 수가 달라지며, 정밀도와 재현율 간의 트레이드오프가 발생합니다.

3. **비용 기반 의사결정**: 긍정적 예측의 오류(FP, FN)는 상황에 따라 다른 비용을 초래합니다. 예를 들어, 금융 사기 탐지에서는 FP(정상 거래를 사기로 판단)는 고객 불만을, FN(사기 거래를 놓침)은 실제 손실을 유발합니다.

---

## 관련 문서 및 참고 자료

- [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)
- [ROC 곡선과 AUC](https://en.wikipedia.org/wiki/Receiver_operating_characteristic)

> **참고**: 긍정적 예측은 모델 평가의 핵심 개념이지만, 맥락에 따라 긍정 클래스의 정의가 달라질 수 있으므로 분석 전 명확한 정의가 필요합니다.