# 긍정적 예측

## 개요

**긍정적 예측**(Positive Prediction)은 인공지 및 기계학습 모델의 평가 과정에서 중요한 개념 중 하나로, 모델이 특정 샘플이 **양성 클래스**(positive class)에 속한다고 예측한 경우를 의미합니다. 예를 들어, 질병 진단 모델에서 "환자가 질병에 걸렸다"고 판단한 경우, 또는 스팸 메일 탐지 시스템에서 "해당 이메일은 스팸이다"라고 분류한 경우가 이에 해당합니다.

이 개념은 정밀도(Precision), 재현율(Recall), F1 점수(F1 Score) 등 주요 평가 지표를 계산하는 데 핵심적인 역할을 하며, 모델의 성능을 정량적으로 분석하는 데 필수적인 요소입니다.

---

## 긍정적 예측의 정의와 맥락

### 이진 분류에서의 긍정적 예측

대부분의 모델 평가에서 긍정적 예측은 **이진 분류**(Binary Classification) 문제를 기준으로 설명됩니다. 이진 분류에서는 두 가지 클래스 — 일반적으로 '양성'(Positive)과 '음성'(Negative) — 를 구분합니다.

- **양성**(Positive): 관심 있는 사건 또는 상태 (예: 질병 존재, 사기 거래, 스팸 메일)
- **음성**(Negative): 관심 없는 사건 또는 정상 상태 (예: 건강함, 정상 거래, 정상 메일)

모델이 입력 데이터를 분석한 후 "**이 샘플은 양성이다**"라고 판단하는 순간, **긍정적 예측**이 이루어진 것입니다.

### 긍정적 예측의 유형

긍정적 예측은 실제 정답과 비교하여 다음과 같이 세부 분류됩니다:

| 구분 | 설명 |
|------|------|
| **참 양성**(True Positive, TP) | 모델이 긍정을 예측했고, 실제로도 긍정인 경우 |
| **거짓 양성**(False Positive, FP) | 모델이 긍정을 예측했지만, 실제로는 음성인 경우 |

예를 들어, 코로나19 진단 모델에서:
- **TP**: 모델이 "감염됨"을 예측하고, 실제로 감염된 경우 → 올바른 긍정 예측
- **FP**: 모델이 "감염됨"을 예측했지만, 실제로는 건강한 경우 → 잘못된 긍정 예측

---

## 긍정적 예측과 관련된 평가 지표

긍정적 예측은 여러 성능 지표의 계산에 직접적으로 사용됩니다.

### 1. 정밀도 (Precision)

정밀도는 모델이 **긍정으로 예측한 것 중 실제로 긍정인 비율**을 나타냅니다.

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

- 높은 정밀도: 긍정 예측이 신뢰할 수 있음 (거짓 양성이 적음)
- 낮은 정밀도: 모델이 너무 많은 음성 샘플을 긍정으로 잘못 분류함

> 예: 스팸 메일 필터에서 정밀도가 낮으면 정상 메일이 스팸으로 잘못 분류되어 사용자가 중요한 메일을 놓칠 수 있음.

### 2. 재현율 (Recall, 민감도, Sensitivity)

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

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

- 높은 재현율: 실제 양성 사례를 잘 탐지함
- 낮은 재현율: 많은 양성 사례를 놓침 (거짓 음성 많음)

> 예: 암 진단에서 재현율이 낮으면 실제로 병이 있는 환자를 놓쳐 치명적일 수 있음.

### 3. 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 긍정 예측의 질과 양을 종합적으로 평가할 때 유용합니다.

---

## 긍정적 예측의 함정과 주의사항

### 1. 불균형 데이터셋에서의 왜곡

데이터에서 음성 샘플이 압도적으로 많을 경우 (예: 사기 거래 탐지), 모델이 무조건 "음성"이라고 예측해도 정확도(Accuracy)가 높게 나올 수 있습니다. 이 경우 긍정적 예측의 수가 극히 적어 재현율이 낮아지며, 모델이 실제 위험을 탐지하지 못하는 문제가 발생합니다.

> 따라서 정확도만으로 평가하지 말고, **정밀도, 재현율, F1 점수**를 함께 고려해야 합니다.

### 2. 긍정 예측의 비용

긍정 예측의 결과는 실제 응용에서 비용을 수반할 수 있습니다:
- **의료 진단**: 불필요한 검사, 환자 불안 유발
- **사기 탐지**: 고객 거래 차단, 고객 불만
- **스팸 필터링**: 정상 이메일 차단

따라서 긍정 예측을 내릴 때는 **신뢰도 임계값**(Threshold)을 조정하여를 최소화하는 전략이 필요합니다.

---

## 관련 개념 및 참고 자료

### 혼동 행렬 (Confusion Matrix)

긍정적 예측을 포함한 모델 평가의 기본 도구입니다.

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

### ROC 곡선과 AUC

양성 클래스에 대한 예측 확률을 기반으로 다양한 임계값에서의 성능을 시각화합니다. 긍정 예측의 민감도와 특이도를 균형 있게 분석할 수 있습니다.

---

## 결론

긍정적 예측은 인공지능 모델의 판단 결과 중 '양성'으로 분류한 모든 예측을 의미하며, 모델 평가의 핵심 요소입니다. 단순히 "긍정이라고 예측했다"는 사실을 넘어서, **정확히 얼마나 맞췄는지**(TP), **얼마나 잘못 예측했는지**(FP), 그리고 **실제 양성 중 얼마나 탐지했는지**를 분석함으로써 모델의 신뢰성과 실용성을 평가할 수 있습니다.

특히, 긍정 예측의 결과가 실제 세계에서 중대한 영향을 미칠 수 있는 의료, 금융, 보안 분야에서는 정밀도와 재현율 간의 트레이드오프를 신중히 고려하고, 적절한 임계값을 설정하는 것이 중요합니다.