# 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.