재현율

AI
qwen-3-235b-a22b-instruct-2507
작성자
익명
작성일
2025.12.29
조회수
2
버전
v1
기술 → 자연어처리 → 평가 지표
재현율 정밀도 자연어처리 F1 점수 평가 지표

재현율

개요

재현율(Recall)은 자연어처리(NLP) 및 머신러닝 분야에서 모델의 성능을 평가하는 핵심 지표 중 하나로, 정답인 샘플 중에서 모델이 얼마나 많은 것을 올바르게 찾아냈는지를 나타내는 비율입니다. 특히 정밀도(Precision)와 함께 분류 모델, 정보 검색 시스템, 개체명 인식(NER), 질의 응답(QA) 등 다양한 자연어처리 작업에서 평가에 활용됩니다.

재현율은 "민감도(Sensitivity)" 또는 "참 양성율(True Positive Rate)"이라고도 불리며, 모델이 긍정 사례를 놓치지 않고 얼마나 잘 탐지하는지를 측정합니다. 따라서 위험한 사건을 놓치는 것을 방지해야 하는 상황(예: 질병 진단, 이상 거래 탐지)에서는 높은 재현율이 매우 중요합니다.

재현율의 정의와 계산식

재현율은 다음과 같은 공식으로 계산됩니다:

$$ \text{재현율} = \frac{\text{참 양성 (True Positive, TP)}}{\text{참 양성 (TP)} + \text{거짓 음성 (False Negative, FN)}} $$

여기서 각 용어의 의미는 다음과 같습니다:

  • 참 양성 (TP): 실제로 긍정인 샘플을 모델이 긍정으로 올바르게 예측한 경우
  • 거짓 음성 (FN): 실제로 긍정인 샘플을 모델이 부정으로 잘못 예측한 경우

즉, 재현율은 실제로 긍정인 전체 샘플 중에서 모델이 얼마나 많은 것을 맞게 예측했는지를 비율로 나타냅니다.

예시

예를 들어, 100명의 환자 중 10명이 질병에 걸렸고(실제 양성), 모델이 그 중 8명만을 질병 보유자로 진단했다면:

  • TP = 8
  • FN = 2 (질병이 있음에도 불구하고 모델이 '정상'으로 잘못 판단)
  • 재현율 = $ \frac{8}{8 + 2} = 0.8 $ → 80%

이 경우 모델은 질병을 가진 환자 5명 중 4명만을 찾아냈으며, 1명은 놓친 셈입니다.

재현율과 정밀도의 관계

재현율은 정밀도와 함께 분석되어야 의미 있는 해석이 가능합니다. 두 지표는 종종 상호 보완적이며 트레이드오프 관계를 가집니다.

지표 의미 계산식
재현율 실제 양성 중 모델이 맞게 예측한 비율 $ \frac{TP}{TP + FN} $
정밀도 모델이 양성이라고 예측한 것 중 실제로 양성인 비율 $ \frac{TP}{TP + FP} $
  • 재현율이 높다: 모델이 거의 모든 긍정 사례를 찾지만, 부정 사례를 긍정으로 잘못 분류할 수 있음 (FP 증가 → 정밀도 하락)
  • 정밀도가 높다: 모델이 긍정으로 예측한 사례는 대부분 정확하지만, 긍정 사례를 많이 놓칠 수 있음 (FN 증가 → 재현율 하락)

이러한 균형을 맞추기 위해 F1 점수(정밀도와 재현율의 조화 평균)가 자주 사용됩니다.

자연어처리에서의 활용 사례

재현율은 자연어처리의 여러 하위 분야에서 다음과 같이 활용됩니다:

1. 개체명 인식(Named Entity Recognition, NER)

  • 모델이 문장 내의 사람, 장소, 조직 등을 얼마나 많이 올바르게 인식하는지를 평가
  • 예: "서울은 대한민국의 수도입니다." → "서울"을 장소(Location)로 인식해야 함
  • 재현율이 낮으면, 실제 존재하는 개체명을 놓치는 경우가 많음

2. 정보 검색 (Information Retrieval)

  • 사용자의 질의에 대해 관련 문서를 얼마나 많이 검색했는지 평가
  • 전체 관련 문서 중 검색 시스템이 가져온 관련 문서의 비율이 재현율

3. 스팸 메일 분류

  • 실제 스팸 메일 중 모델이 스팸으로 올바르게 분류한 비율
  • 재현율이 낮으면 정상 메일처럼 보이는 스팸 메일이 수신함에 도달할 위험이 있음

4. 감성 분석

  • 긍정 리뷰 중 모델이 긍정으로 분류한 비율
  • 특히 고객 피드백 모니터링에서는 부정 감성 재현율이 중요 (모든 불만을 포착해야 하므로)

재현율의 장단점

장점

  • 긍정 클래스의 누락 여부를 명확히 평가할 수 있음
  • 위험 탐지, 질병 진단 등에서 중요한 성능 지표
  • 모델의 "민감도"를 직접적으로 반영

단점

  • 부정 샘플의 오진(거짓 양성)은 고려하지 않음 → 정밀도와 함께 봐야 함
  • 데이터 불균형 시 해석이 어려울 수 있음 (예: 긍정 샘플이 극소수일 때 높은 재현율도 의미 없을 수 있음)

관련 지표 및 확장

  • F1 점수: 정밀도와 재현율의 조화 평균
    $$ F1 = 2 \times \frac{\text{정밀도} \times \text{재현율}}{\text{정밀도} + \text{재현율}} $$
  • 정밀도-재현율 곡선 (PR Curve): 다양한 분류 임계값에 따른 정밀도와 재현율의 변화를 시각화한 그래프
  • ROC 곡선 대비 PR 곡선: 특히 양성 클래스가 드문 경우(PR 곡선이 더 유용)

참고 자료 및 관련 문서

  • Precision and Recall - Wikipedia
  • Christopher D. Manning 외, Introduction to Information Retrieval, Cambridge University Press
  • Jurafsky, D. & Martin, J. H., Speech and Language Processing (3rd ed.)

관련 문서: - 정밀도 - F1 점수 - 혼동 행렬

AI 생성 콘텐츠 안내

이 문서는 AI 모델(qwen-3-235b-a22b-instruct-2507)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.

이 AI 생성 콘텐츠가 도움이 되었나요?