# 정밀도

정밀도(Precision)는 인공지능, 특히 머신러닝 모델의 성능을 평가하는 핵심 지표 중 하나로, **모델이 긍정으로 예측한 샘플 중 실제로 긍정인 비율**을 의미합니다. 주로 분류 문제, 특히 이진 분류(Binary Classification)에서 사용되며, 모델의 예측 결과가 얼마나 신뢰할 수 있는지를 판단하는 데 중요한 역할을 합니다.

정밀도는 단순히 정확도(Accuracy)만으로는 파악할 수 없는 모델의 특성을 드러내며, 특히 **부정 샘플이 많거나 긍정 예측의 신뢰성이 중요한 응용 분야**(예: 암 진단, 사기 탐지)에서 특히 중요하게 고려됩니다.

---

## 정의와 수식

정밀도는 다음과 같은 수식으로 정의됩니다:

$$
\text{정밀도} = \frac{\text{참 양성 (True Positive, TP)}}{\text{참 양성 (TP)} + \text{거짓 양성 (False Positive, FP)}}
$$

여기서:
- **참 양성**(TP): 실제로 긍정인 샘플을 모델이 올바르게 긍정으로 예측한 경우
- **거짓 양성**(FP): 실제로는 부정인 샘플을 모델이 잘못되어 긍정으로 예측한 경우

즉, 정밀도는 "모델이 '예'라고 말한 것들 중에서 실제로 '예'였던 비율"을 나타냅니다.

---

## 정밀도의 해석

정밀도의 값은 0에서 1 사이의 실수로 표현되며, 1에 가까울수록 모델의 긍정 예측이 신뢰할 수 있음을 의미합니다.

- **정밀도 = 1.0**: 모델이 긍정으로 예측한 모든 샘플이 실제로 긍정 → 거짓 양성 없음
- **정밀도 = 0.0**: 모델이 긍정으로 예측한 모든 샘플이 실제로는 부정 → 모든 긍정 예측이 오류
- **정밀도 = 0.8**: 모델이 100개를 긍정으로 예측했을 때, 약 80개는 실제로 긍정

예를 들어, 스팸 메일 필터링 시스템에서 정밀도가 높다는 것은 **정말 스팸이 아닌 정상 메일을 스팸으로 잘못 분류하는 경우**(FP)가 적다는 것을 의미하므로, 사용자가 중요한 메일을 놓칠 위험이 줄어듭니다.

---

## 정밀도와 관련 지표

정밀도는 단독으로 해석하기보다는 다른 평가 지표와 함께 종합적으로 고려되어야 합니다.

### 1. 재현율 (Recall)

재현율은 **실제 긍정 샘플 중에서 모델이 얼마나 많이 맞게 예측했는지**를 나타냅니다.

$$
\text{재현율} = \frac{\text{TP}}{\text{TP} + \text{FN}} \quad \text{(FN: 거짓 음성)}
$$

정밀도와 재현율은 종종 **트레이드오프 관계**에 있습니다. 예를 들어, 모델이 보수적으로 긍정 예측을 하면 정밀도는 높아지지만 재현율은 낮아질 수 있습니다.

### 2. F1 점수 (F1 Score)

정밀도와 재현율의 조화 평균으로, 두 지표를 종합적으로 평가할 때 사용됩니다.

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

F1 점수는 두 지표가 균형을 이룰 때 높은 값을 가지며, 특히 불균형 데이터셋(Imbalanced Dataset)에서 유용합니다.

### 3. 정확도 (Accuracy)

전체 예측 중에서 맞춘 비율이지만, 긍정 샘플이 매우 적은 경우 정확도는 높을 수 있으나 정밀도는 낮을 수 있습니다. 따라서 데이터 불균형 상황에서는 정밀도와 재현율이 더 유의미합니다.

---

## 활용 사례

### 1. 의료 진단
- **목표**: 질병이 있는 환자를 놓치지 않기 (재현율 중요), 하지만 건강한 사람을 질병 보유자로 잘못 진단하지 않기 (정밀도 중요)
- **예시**: 암 조기 진단 모델에서 정밀도가 낮으면 많은 건강한 환자가 불필요한 추가 검사나 스트레스를 겪게 됨

### 2. 사기 탐지(Fraud Detection)
- **목표**: 실제 사기 거래를 탐지하되, 정상 거래를 사기로 오진하지 않기
- **정밀도 중요성**: 정밀도가 낮으면 고객의 정상 거래가 차단되어 고객 불만 증가

### 3. 정보 검색 (Information Retrieval)
- **목표**: 사용자 쿼리에 관련된 문서를 검색
- **정밀도**: 검색 결과 중 실제로 관련 있는 문서의 비율

---

## 한계와 주의점

- **정밀도만으로 모델을 평가하면 안 됨**: 재현율, F1 점수, ROC-AUC 등과 함께 종합적으로 분석해야 함
- **클래스 불균형에 민감**: 긍정 클래스가 극소수일 경우, 정밀도가 높더라도 의미가 제한될 수 있음
- **문제의 성격에 따라 중요도 다름**: 예를 들어, 생명을 다루는 분야에서는 재현율이 더 중요할 수 있음

---

## 참고 자료 및 관련 문서

- [재현율](재현율.md)
- [F1 점수](F1-점수.md)
- [혼동 행렬 (Confusion Matrix)](혼동-행렬.md)
- [ROC 곡선과 AUC](ROC-AUC.md)

> **참고 문헌**:
> - Bishop, C. M. (2006). *Pattern Recognition and Machine Learning*. Springer.
> - Provost, F., & Fawcett, T. (2013). *Data Science for Business*. O'Reilly Media.

정밀도는 머신러닝 모델의 신뢰성과 실용성을 평가하는 데 필수적인 지표이며, 문제의 맥락에 따라 적절한 기준을 설정하고 해석하는 것이 중요합니다.