재현율

작성자

익명

작성일

2026.08.07

조회수

버전

재현율 머신러닝 평가지표 이진 분류 정밀도 F1 점수 ROC 곡선 데이터 불균형 중급

📋 문서 버전

이 문서는 3개의 버전이 있습니다. 현재 최신 버전을 보고 있습니다.

재현율

개요

재현율(Recall)은 인공지능, 특히 머신러닝 모델의 성능을 평가하는 핵심 지표 중 하나로, 정답인 사례 중에서 모델이 얼마나 많은 것을 올바르게 찾아냈는지를 나타내는 비율입니다. 주로 분류 문제, 특히 이진 분류(Binary Classification)에서 사용되며, 민감도(Sensitivity) 또는 참양성률(True Positive Rate, TPR)이라고도 불립니다.

재현율은 정밀도(Precision)와 함께 모델의 균형 잡힌 성능을 평가하는 데 중요한 역할을 하며, 특히 결과의 누락이 치명적인 상황(예: 질병 진단, 사기 탐지 등)에서 매우 중요한 지표로 여겨집니다.

재현율의 정의와 계산식

재현율은 다음과 같은 공식으로 계산됩니다:

$$ \text{재현율} = \frac{\text{참양성 (TP)}}{\text{참양성 (TP)} + \text{거짓음성 (FN)}} $$

여기서: - 참양성(True Positive, TP): 실제로 양성인 사례를 모델이 양성으로 올바르게 예측한 경우 - 거짓음성(False Negative, FN): 실제로 양성인 사례를 모델이 음성으로 잘못 예측한 경우

즉, 재현율은 전체 양성 사례 중에서 모델이 얼마나 많은 양성 사례를 찾아냈는지를 나타냅니다.

예시

예를 들어, 100명의 환자 중 10명이 암에 걸렸고(실제 양성), 모델이 그 중 8명을 암으로 진단했다면:

TP = 8
FN = 2 (실제로 암이지만 모델이 정상이라고 판단한 경우)
재현율 = $ \frac{8}{8 + 2} = 0.8 $ → 80%

이 경우 모델은 실제 암 환자의 80%를 찾아냈으며, 20%는 놓친 셈입니다.

재현율의 중요성과 활용 분야

1. 의료 진단

암, 감염병 등 질병 진단에서 거짓음성(FN)은 치명적일 수 있습니다. 환자가 병이 있는데도 "정상"이라고 판단되면 치료 시기를 놓칠 수 있기 때문에, 높은 재현율을 요구합니다. 즉, 모든 환자를 찾아내는 것이 중요합니다.

2. 사기 탐지(Fraud Detection)

금융 사기 탐지 시스템은 실제 사기 거래를 놓치지 않도록 해야 합니다. 사기를 음성(정상 거래)으로 잘못 분류하면 큰 손실이 발생할 수 있으므로, 재현율을 높이는 것이 핵심입니다.

3. 정보 검색 및 추천 시스템

사용자가 원하는 정보를 가능한 한 많이 검색 결과에 포함시키기 위해 재현율을 고려합니다. 예를 들어, 사용자가 "고양이 사진"을 검색했을 때, 실제로 고양이인 이미지를 얼마나 많이 포함했는지가 재현율로 측정될 수 있습니다.

재현율과 정밀도의 관계

재현율은 종종 정밀도(Precision)와 함께 고려됩니다. 정밀도는 다음과 같이 정의됩니다:

$$ \text{정밀도} = \frac{\text{참양성 (TP)}}{\text{참양성 (TP)} + \text{거짓양성 (FP)}} $$

정밀도: 모델이 양성이라고 예측한 것 중 실제로 양성인 비율 → 정확성 강조
재현율: 실제 양성 중 모델이 찾아낸 비율 → 누락 최소화 강조

이 두 지표는 일반적으로 트레이드오프(Trade-off) 관계에 있습니다. 예를 들어, 재현율을 높이기 위해 더 많은 사례를 양성으로 예측하면, 거짓양성(FP)이 증가하여 정밀도가 떨어질 수 있습니다.

이러한 균형을 평가하기 위해 F1 점수(F1 Score)라는 조화 평균 지표가 사용됩니다:

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

재현율의 한계와 보완

불균형 데이터(Imbalanced Data)에서의 왜곡: 양성 사례가 극히 적은 경우, 재현율만으로는 모델의 전반적인 성능을 제대로 평가하기 어렵습니다. 예를 들어, 1000명 중 1명만 양성인 경우, 모델이 모두 음성으로 예측해도 재현율은 0이지만, 정확도는 99.9%로 높게 나올 수 있습니다.
다중 클래스 문제: 재현율은 이진 분류에서 직관적이지만, 다중 클래스 분류에서는 마이크로 재현율(Micro Recall), 마크로 재현율(Macro Recall) 등으로 확장하여 사용합니다.

지표	설명
정밀도(Precision)	양성 예측 중 올바른 비율
정확도(Accuracy)	전체 예측 중 올바른 비율
F1 점수	정밀도와 재현율의 조화 평균
ROC 곡선 및 AUC	다양한 임계값에서의 재현율과 특이도(1-FPR) 관계

재현율 향상을 위한 전략

재현율을 높이기 위해서는 모델이 양성(Positive) 사례를 더 공격적으로 포착하도록 유도해야 합니다.

1. 임계값(Threshold) 조정

대부분의 분류 모델은 확률값(0~1)을 출력하며, 기본 임계값은 0.5로 설정되어 있습니다. 임계값을 낮추면 더 많은 사례가 양성으로 분류되어 재현율이 상승하지만, 동시에 정밀도는 하락하는 트레이드오프가 발생합니다.

[임계값 변화에 따른 지표 변화 추이] - 임계값 $\downarrow$ (예: 0.5 $\rightarrow$ 0.2): $\text{FN} \downarrow \implies \text{재현율} \uparrow$, $\text{FP} \uparrow \implies \text{정밀도} \downarrow$ - 임계값 $\uparrow$ (예: 0.5 $\rightarrow$ 0.8): $\text{FN} \uparrow \implies \text{재현율} \downarrow$, $\text{FP} \downarrow \implies \text{정밀도} \uparrow$

graph LR
    A[임계값 낮춤] --> B(양성 예측 증가)
    B --> C{결과}
    C --> D[재현율 상승 $\uparrow$]
    C --> E[정밀도 하락 $\downarrow$]

2. 데이터 불균형 해소 (Sampling)

양성 데이터가 극히 적은 경우 모델은 다수 클래스(음성)에 편향됩니다. 이를 해결하기 위해 다음 기법을 사용합니다. - 오버샘플링(Oversampling): SMOTE(Synthetic Minority Over-sampling Technique) 등을 사용하여 소수 클래스(양성) 데이터를 인위적으로 생성해 학습 데이터의 균형을 맞춥니다. - 언더샘플링(Undersampling): 다수 클래스(음성) 데이터를 줄여 비율을 맞춥니다.

3. 비용 민감 학습 (Cost-sensitive Learning)

손실 함수(Loss Function)에 가중치를 부여하여, 거짓음성(FN)이 발생했을 때 모델이 받는 페널티를 거짓양성(FP)보다 훨씬 크게 설정하는 방법입니다. 이를 통해 모델은 FN을 줄이는 방향으로 최적화되어 재현율이 자연스럽게 향상됩니다.

재현율의 비용 관점 분석

특정 도메인에서 재현율을 최적화하는 이유는 거짓음성(FN)의 비용이 거짓양성(FP)의 비용보다 압도적으로 크기 때문입니다.

도메인별 비용 분석 사례

도메인	거짓양성(FP)의 비용 (과잉 진단/오탐)	거짓음성(FN)의 비용 (미탐/누락)	우선순위
암 진단	추가 정밀 검사 비용 발생, 환자의 일시적 불안감	치료 시기 상실, 환자의 사망 위험	재현율 $\gg$ 정밀도
금융 사기 탐지	정상 거래 차단으로 인한 고객 불편, 상담원 확인 비용	막대한 금전적 손실, 보안 체계 붕괴	재현율 $\gg$ 정밀도
스팸 메일 분류	중요한 메일이 스팸함으로 이동 (사용자 불편)	스팸 메일이 받은 편지함에 노출 (단순 번거로움)	정밀도 $\gg$ 재현율

결과적으로, 생명이나 막대한 자산과 직결된 분야에서는 "일단 의심되는 사례를 모두 찾아내어(High Recall) 이후 정밀 검사로 걸러내는" 전략이 경제적·윤리적으로 타당합니다.

다중 클래스 재현율 계산법 (Micro vs Macro)

클래스가 3개 이상인 다중 클래스 분류에서는 각 클래스별 재현율을 어떻게 합산하느냐에 따라 결과가 달라집니다.

1. 마크로 재현율 (Macro-averaged Recall)

각 클래스의 재현율을 독립적으로 계산한 뒤, 그 값들의 산술 평균을 구합니다. $$\text{Macro Recall} = \frac{1}{N} \sum_{i=1}^{N} \text{Recall}_i$$ - 특징: 모든 클래스를 동일한 비중으로 취급합니다. - 적합한 상황: 소수 클래스의 성능이 중요할 때, 클래스 간 균형 잡힌 성능을 확인하고 싶을 때 사용합니다.

2. 마이크로 재현율 (Micro-averaged Recall)

전체 클래스의 TP, FN 합계를 먼저 구한 뒤 재현율을 계산합니다. $$\text{Micro Recall} = \frac{\sum \text{TP}_i}{\sum \text{TP}_i + \sum \text{FN}_i}$$ - 특징: 개별 샘플의 비중을 동일하게 취급하므로, 데이터 수가 많은 클래스의 영향력이 큽니다. - 적합한 상황: 전체적인 예측 정확도가 중요할 때, 클래스 불균형이 심한 데이터셋에서 전체 성능을 측정할 때 사용합니다.

비교 요약

구분	Macro Recall	Micro Recall
계산 방식	클래스별 재현율의 평균	전체 TP/FN의 합으로 계산
가중치	클래스 단위 가중치 (동일 비중)	샘플 단위 가중치 (빈도 비중)
불균형 데이터	소수 클래스 성능에 민감함	다수 클래스 성능에 민감함

지표 간 수학적 연결성: ROC 곡선

재현율은 단순히 하나의 수치가 아니라, ROC(Receiver Operating Characteristic) 곡선의 핵심 축을 담당하는 동적인 지표입니다.

Y축 (True Positive Rate): ROC 곡선의 y축은 바로 재현율(Recall)입니다. 즉, $\text{TPR} = \text{Recall}$입니다.
X축 (False Positive Rate): $\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$로, 실제 음성 중 양성으로 잘못 예측한 비율입니다.

ROC 곡선은 임계값을 1에서 0으로 변화시킬 때, 재현율(TPR)이 어떻게 상승하고 그에 따라 오탐률(FPR)이 어떻게 증가하는지를 시각화한 것입니다. 따라서 AUC(Area Under the Curve) 값이 높다는 것은 낮은 FPR을 유지하면서도 높은 재현율을 달성할 수 있는 모델임을 의미합니다.

📝 마크다운 원본

이 문서의 마크다운 원본 내용입니다.

# 재현율

## 개요

**재현율**(Recall)은 인공지능, 특히 머신러닝 모델의 성능을 평가하는 핵심 지표 중 하나로, **정답인 사례 중에서 모델이 얼마나 많은 것을 올바르게 찾아냈는지**를 나타내는 비율입니다. 주로 분류 문제, 특히 이진 분류(Binary Classification)에서 사용되며, **민감도**(Sensitivity) 또는 **참양성률**(True Positive Rate, TPR)이라고도 불립니다.

재현율은 정밀도(Precision)와 함께 모델의 균형 잡힌 성능을 평가하는 데 중요한 역할을 하며, 특히 **결과의 누락이 치명적인 상황**(예: 질병 진단, 사기 탐지 등)에서 매우 중요한 지표로 여겨집니다.

---

## 재현율의 정의와 계산식

재현율은 다음과 같은 공식으로 계산됩니다:

$$
\text{재현율} = \frac{\text{참양성 (TP)}}{\text{참양성 (TP)} + \text{거짓음성 (FN)}}
$$

여기서:
- **참양성**(True Positive, TP): 실제로 양성인 사례를 모델이 양성으로 올바르게 예측한 경우
- **거짓음성**(False Negative, FN): 실제로 양성인 사례를 모델이 음성으로 잘못 예측한 경우

즉, 재현율은 **전체 양성 사례 중에서 모델이 얼마나 많은 양성 사례를 찾아냈는지**를 나타냅니다.

### 예시

예를 들어, 100명의 환자 중 10명이 암에 걸렸고(실제 양성), 모델이 그 중 8명을 암으로 진단했다면:

- TP = 8
- FN = 2 (실제로 암이지만 모델이 정상이라고 판단한 경우)
- 재현율 = $ \frac{8}{8 + 2} = 0.8 $ → **80%**

이 경우 모델은 실제 암 환자의 80%를 찾아냈으며, 20%는 놓친 셈입니다.

---

## 재현율의 중요성과 활용 분야

### 1. **의료 진단**
암, 감염병 등 질병 진단에서 **거짓음성**(FN)은 치명적일 수 있습니다. 환자가 병이 있는데도 "정상"이라고 판단되면 치료 시기를 놓칠 수 있기 때문에, 높은 재현율을 요구합니다. 즉, **모든 환자를 찾아내는 것**이 중요합니다.

### 2. **사기 탐지**(Fraud Detection)
금융 사기 탐지 시스템은 실제 사기 거래를 놓치지 않도록 해야 합니다. 사기를 음성(정상 거래)으로 잘못 분류하면 큰 손실이 발생할 수 있으므로, 재현율을 높이는 것이 핵심입니다.

### 3. **정보 검색 및 추천 시스템**
사용자가 원하는 정보를 가능한 한 많이 검색 결과에 포함시키기 위해 재현율을 고려합니다. 예를 들어, 사용자가 "고양이 사진"을 검색했을 때, 실제로 고양이인 이미지를 얼마나 많이 포함했는지가 재현율로 측정될 수 있습니다.

---

## 재현율과 정밀도의 관계

재현율은 종종 **정밀도**(Precision)와 함께 고려됩니다. 정밀도는 다음과 같이 정의됩니다:

$$
\text{정밀도} = \frac{\text{참양성 (TP)}}{\text{참양성 (TP)} + \text{거짓양성 (FP)}}
$$

- **정밀도**: 모델이 양성이라고 예측한 것 중 실제로 양성인 비율 → **정확성 강조**
- **재현율**: 실제 양성 중 모델이 찾아낸 비율 → **누락 최소화 강조**

이 두 지표는 일반적으로 **트레이드오프**(Trade-off) 관계에 있습니다. 예를 들어, 재현율을 높이기 위해 더 많은 사례를 양성으로 예측하면, 거짓양성(FP)이 증가하여 정밀도가 떨어질 수 있습니다.

이러한 균형을 평가하기 위해 **F1 점수**(F1 Score)라는 조화 평균 지표가 사용됩니다:

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

---

## 재현율의 한계와 보완

- **불균형 데이터**(Imbalanced Data)에서의 왜곡: 양성 사례가 극히 적은 경우, 재현율만으로는 모델의 전반적인 성능을 제대로 평가하기 어렵습니다. 예를 들어, 1000명 중 1명만 양성인 경우, 모델이 모두 음성으로 예측해도 재현율은 0이지만, 정확도는 99.9%로 높게 나올 수 있습니다.
- **다중 클래스 문제**: 재현율은 이진 분류에서 직관적이지만, 다중 클래스 분류에서는 **마이크로 재현율**(Micro Recall), **마크로 재현율**(Macro Recall) 등으로 확장하여 사용합니다.

---

## 관련 지표 및 참고 자료

| 지표 | 설명 |
|------|------|
| **정밀도**(Precision) | 양성 예측 중 올바른 비율 |
| **정확도**(Accuracy) | 전체 예측 중 올바른 비율 |
| **F1 점수** | 정밀도와 재현율의 조화 평균 |
| **ROC 곡선 및 AUC** | 다양한 임계값에서의 재현율과 특이도(1-FPR) 관계 |

### 참고 자료
- Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
- Scikit-learn 공식 문서: [https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html](https://scikit-learn.org/stable/modules/generated/sklearn.metrics.recall_score.html)
- Fawcett, T. (2006). "An introduction to ROC analysis". *Pattern Recognition Letters*.

---

재현율은 모델이 얼마나 철저하게 긍정 사례를 찾아내는지를 평가하는 핵심 지표로, 특정 도메인에서는 정확도보다 더 중요한 평가 기준이 될 수 있습니다. 모델 설계 시 문제의 특성과 비용 구조를 고려하여 재현율의 목표 수준을 설정하는 것이 중요합니다.

## 재현율 향상을 위한 전략

재현율을 높이기 위해서는 모델이 양성(Positive) 사례를 더 공격적으로 포착하도록 유도해야 합니다.

### 1. 임계값(Threshold) 조정
대부분의 분류 모델은 확률값(0~1)을 출력하며, 기본 임계값은 0.5로 설정되어 있습니다. 임계값을 낮추면 더 많은 사례가 양성으로 분류되어 재현율이 상승하지만, 동시에 정밀도는 하락하는 트레이드오프가 발생합니다.

**[임계값 변화에 따른 지표 변화 추이]**
- **임계값 $\downarrow$ (예: 0.5 $\rightarrow$ 0.2):** $\text{FN} \downarrow \implies \text{재현율} \uparrow$, $\text{FP} \uparrow \implies \text{정밀도} \downarrow$
- **임계값 $\uparrow$ (예: 0.5 $\rightarrow$ 0.8):** $\text{FN} \uparrow \implies \text{재현율} \downarrow$, $\text{FP} \downarrow \implies \text{정밀도} \uparrow$

```mermaid
graph LR
    A[임계값 낮춤] --> B(양성 예측 증가)
    B --> C{결과}
    C --> D[재현율 상승 $\uparrow$]
    C --> E[정밀도 하락 $\downarrow$]
```

### 2. 데이터 불균형 해소 (Sampling)
양성 데이터가 극히 적은 경우 모델은 다수 클래스(음성)에 편향됩니다. 이를 해결하기 위해 다음 기법을 사용합니다.
- **오버샘플링(Oversampling):** SMOTE(Synthetic Minority Over-sampling Technique) 등을 사용하여 소수 클래스(양성) 데이터를 인위적으로 생성해 학습 데이터의 균형을 맞춥니다.
- **언더샘플링(Undersampling):** 다수 클래스(음성) 데이터를 줄여 비율을 맞춥니다.

### 3. 비용 민감 학습 (Cost-sensitive Learning)
손실 함수(Loss Function)에 가중치를 부여하여, 거짓음성(FN)이 발생했을 때 모델이 받는 페널티를 거짓양성(FP)보다 훨씬 크게 설정하는 방법입니다. 이를 통해 모델은 FN을 줄이는 방향으로 최적화되어 재현율이 자연스럽게 향상됩니다.

---

## 재현율의 비용 관점 분석

특정 도메인에서 재현율을 최적화하는 이유는 **거짓음성(FN)의 비용이 거짓양성(FP)의 비용보다 압도적으로 크기 때문**입니다.

### 도메인별 비용 분석 사례
| 도메인 | 거짓양성(FP)의 비용 (과잉 진단/오탐) | 거짓음성(FN)의 비용 (미탐/누락) | 우선순위 |
| :--- | :--- | :--- | :---: |
| **암 진단** | 추가 정밀 검사 비용 발생, 환자의 일시적 불안감 | **치료 시기 상실, 환자의 사망 위험** | **재현율 $\gg$ 정밀도** |
| **금융 사기 탐지** | 정상 거래 차단으로 인한 고객 불편, 상담원 확인 비용 | **막대한 금전적 손실, 보안 체계 붕괴** | **재현율 $\gg$ 정밀도** |
| **스팸 메일 분류** | 중요한 메일이 스팸함으로 이동 (사용자 불편) | 스팸 메일이 받은 편지함에 노출 (단순 번거로움) | **정밀도 $\gg$ 재현율** |

결과적으로, 생명이나 막대한 자산과 직결된 분야에서는 "일단 의심되는 사례를 모두 찾아내어(High Recall) 이후 정밀 검사로 걸러내는" 전략이 경제적·윤리적으로 타당합니다.

---

## 다중 클래스 재현율 계산법 (Micro vs Macro)

클래스가 3개 이상인 다중 클래스 분류에서는 각 클래스별 재현율을 어떻게 합산하느냐에 따라 결과가 달라집니다.

### 1. 마크로 재현율 (Macro-averaged Recall)
각 클래스의 재현율을 독립적으로 계산한 뒤, 그 값들의 산술 평균을 구합니다.
$$\text{Macro Recall} = \frac{1}{N} \sum_{i=1}^{N} \text{Recall}_i$$
- **특징:** 모든 클래스를 동일한 비중으로 취급합니다.
- **적합한 상황:** 소수 클래스의 성능이 중요할 때, 클래스 간 균형 잡힌 성능을 확인하고 싶을 때 사용합니다.

### 2. 마이크로 재현율 (Micro-averaged Recall)
전체 클래스의 TP, FN 합계를 먼저 구한 뒤 재현율을 계산합니다.
$$\text{Micro Recall} = \frac{\sum \text{TP}_i}{\sum \text{TP}_i + \sum \text{FN}_i}$$
- **특징:** 개별 샘플의 비중을 동일하게 취급하므로, 데이터 수가 많은 클래스의 영향력이 큽니다.
- **적합한 상황:** 전체적인 예측 정확도가 중요할 때, 클래스 불균형이 심한 데이터셋에서 전체 성능을 측정할 때 사용합니다.

### 비교 요약
| 구분 | Macro Recall | Micro Recall |
| :--- | :--- | :--- |
| **계산 방식** | 클래스별 재현율의 평균 | 전체 TP/FN의 합으로 계산 |
| **가중치** | 클래스 단위 가중치 (동일 비중) | 샘플 단위 가중치 (빈도 비중) |
| **불균형 데이터** | 소수 클래스 성능에 민감함 | 다수 클래스 성능에 민감함 |

---

## 지표 간 수학적 연결성: ROC 곡선

재현율은 단순히 하나의 수치가 아니라, **ROC(Receiver Operating Characteristic) 곡선**의 핵심 축을 담당하는 동적인 지표입니다.

- **Y축 (True Positive Rate):** ROC 곡선의 y축은 바로 **재현율(Recall)**입니다. 즉, $\text{TPR} = \text{Recall}$입니다.
- **X축 (False Positive Rate):** $\text{FPR} = \frac{\text{FP}}{\text{FP} + \text{TN}}$로, 실제 음성 중 양성으로 잘못 예측한 비율입니다.

ROC 곡선은 임계값을 1에서 0으로 변화시킬 때, **재현율(TPR)이 어떻게 상승하고 그에 따라 오탐률(FPR)이 어떻게 증가하는지**를 시각화한 것입니다. 따라서 AUC(Area Under the Curve) 값이 높다는 것은 낮은 FPR을 유지하면서도 높은 재현율을 달성할 수 있는 모델임을 의미합니다.

AI 생성 콘텐츠 안내

이 문서는 AI 모델(gemma-4-31b)에 의해 생성된 콘텐츠입니다.

주의사항: AI가 생성한 내용은 부정확하거나 편향된 정보를 포함할 수 있습니다. 중요한 결정을 내리기 전에 반드시 신뢰할 수 있는 출처를 통해 정보를 확인하시기 바랍니다.

위키너와나

재현율