# 재현율 (Recall)

**재현율**(Recall)은 머신러닝과 데이터 과학 분야에서 분류(Classification) 모델의 성능을 평가하는 핵심 지표 중 하나입니다. 특히 불균형 데이터(Imbalanced Data)가 존재하거나, 거짓 음성(False Negative)의 비용이 매우 높은 상황에서 모델의 민감도(Sensitivity)를 파악하는 데 필수적인 개념입니다. 본 문서에서는 재현율의 정의, 계산 방법, 정밀도(Precision)와의 관계, 그리고 실제 적용 사례에 대해 상세히 다룹니다.

## 1. 개요 및 정의

재현율은 전체 양성 클래스(Sample) 중 모델이 올바르게 양성으로 예측한 비율을 의미합니다. 즉, "실제로 양성인 대상 중 우리가 얼마나 잘 찾아냈는가?"를 측정하는 지표입니다. 의학 진단이나 사기 탐지처럼 '놓치는 것(Miss)'이 치명적인 결과를 초래하는 분야에서 재현율은 정밀도(Precision)보다 더 중요하게 고려됩니다.

### 1.1 수학적 정의

재현율은 혼동 행렬(Confusion Matrix)의 요소들을 사용하여 다음과 같이 정의됩니다.

$$ \text{Recall} = \frac{\text{True Positive (TP)}}{\text{True Positive (TP)} + \text{False Negative (FN)}} $$

여기서 각 용어의 의미는 다음과 같습니다:
*   **True Positive (TP)**: 실제로 양성이고, 모델도 양성으로 올바르게 예측한 경우.
*   **False Negative (FN)**: 실제로 양성이지만, 모델이 음성으로 잘못 예측한 경우.

분모인 $(TP + FN)$은 실제 양성 샘플의 총수를 나타내므로, 재현율은 **실제 양성 샘플 중 모델이 올바르게 식별한 비율**이라고 해석할 수 있습니다.

## 2. 재현율의 해석과 중요성

재현율의 값은 0에서 1 사이의 값을 가지며, 1에 가까울수록 모델이 실제 양성 사례를 거의 놓치지 않고 찾아냈음을 의미합니다. 반대로 재현율이 낮다면 모델이 많은 양성 사례를 놓치고 있다는(False Negative가 많다는) 것을 시사합니다.

### 2.1 정밀도(Precision)와의 트레이드오프

재현율은 종종 **정밀도(Precision)**와 상충 관계(Trade-off)에 있습니다. 정밀도는 "모델이 양성이라고 예측한 것 중 실제로 양성이었던 비율"을 의미합니다.

*   **재현율을 높이는 경우**: 모델이 양성으로 예측하는 기준을 완화하면(False Negative를 줄이기 위해), 더 많은 샘플을 양성으로 분류하게 됩니다. 이로 인해 재현율은 증가하지만, 거짓 양성(False Positive)도 함께 증가하여 정밀도는 하락할 수 있습니다.
*   **정밀도를 높이는 경우**: 모델이 양성으로 예측하는 기준을 엄격하게 하면(False Positive를 줄이기 위해), 정밀도는 증가하지만, 일부 실제 양성을 놓치게 되어 재현율은 하락할 수 있습니다.

따라서 문제의 성격에 따라 어떤 지표를 우선시할지 결정해야 합니다.

## 3. 주요 적용 사례

재현율이 특히 중요한 분야는 다음과 같습니다.

| 적용 분야 | 재현율의 중요성 | 이유 |
| :--- | :--- | :--- |
| **암 진단** | 매우 높음 | 건강한 사람을 암환자로 오진하는 것(False Positive)보다, 암환자를 건강하다고 오진하는 것(False Negative)이 훨씬 치명적입니다. |
| **스팸 메일 필터링** | 중간~높음 | 스팸을 스팸으로 분류하는 것이 중요하지만, 중요한 업무 메일을 스팸으로 분류하는 것도 피해야 하므로 정밀도와의 균형이 필요합니다. |
| **사기 탐지** | 높음 | 사기 거래를 놓치는 것(False Negative)은 금전적 손실로 직결되므로, 가능한 한 많은 사기 거래를 포착해야 합니다. |
| **검색 엔진** | 높음 | 사용자가 원하는 관련 문서가 결과 목록에 포함되지 않는 것(Recall 부족)은 사용자 경험을 크게 저해합니다. |

## 4. 재현율 계산 예시

다음과 같은 이진 분류(Binary Classification) 결과가 있다고 가정해 보겠습니다.

*   **실제 양성(True Positive + False Negative)**: 총 100건
*   **모델이 양성으로 예측한 것 중 실제 양성(True Positive)**: 80건
*   **모델이 음성으로 예측한 실제 양성(False Negative)**: 20건

이 경우 재현율은 다음과 같이 계산됩니다.

$$ \text{Recall} = \frac{80}{80 + 20} = \frac{80}{100} = 0.8 $$

즉, 모델은 실제 양성 사례의 80%를 성공적으로 찾아냈으며, 20%를 놓쳤음을 의미합니다.

## 5. 관련 지표 및 확장 개념

### 5.1 F1-Score (F-Score)
재현율과 정밀도 각각의 단점을 보완하기 위해 두 지표를 조화평균(Harmonic Mean)한 것이 **F1-Score**입니다. 정밀도와 재현율이 균형을 이룰 때 F1-Score는 최대가 됩니다.

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

### 5.2 ROC 곡선과 AUC
재현율(또는 True Positive Rate)은 False Positive Rate와 함께 **ROC(Receiver Operating Characteristic) 곡선**을 구성하는 축으로 사용됩니다. ROC 곡선 아래 영역의 넓이인 **AUC(Area Under Curve)**는 모델의 전반적인 분류 성능을 평가하는 데 널리 쓰입니다.

## 6. 결론

재현율은 모델이 '놓치지 않는' 능력을 측정하는 지표로, 특히 False Negative의 비용이 높은 실세계 문제에서 결정적인 역할을 합니다. 모델 개발 시에는 재현율만을 최적화하기보다는, 문제의 도메인 특성에 따라 정밀도와의 균형을 고려한 종합적인 평가(예: F1-Score, ROC-AUC 활용)가 필요합니다. 데이터의 불균형이 심한 경우, 단순 정확도(Accuracy) 대신 재현율을 주요 평가 기준으로 삼는 것이 모델의 실용성을 높이는 핵심 전략이 됩니다.

---

### 참고 자료 및 관련 문서
*   [정밀도 (Precision)]
*   [F1-Score]
*   [혼동 행렬 (Confusion Matrix)]
*   [ROC 곡선 (ROC Curve)]
*   [불균형 데이터 처리 기법]