TPR (True Positive Rate, 진양성률) 1. 개요 TPR(True Positive Rate, 진양성률)은 이진 분류 모델이 실제 '양성(Positive)'인 샘플을 얼마나 정확하게 '양성'으로 예측했는지를 나타내는 비율이다. 분야에 따라 다양한 명칭으로 불리는데, 통계학 및 의학 분야에서는 민감도(Sensitivity)라고 하며, 머신러닝 …
검색 결과
"상충 관계"에 대한 검색 결과 (총 28개)
스펙트럼 효율 (Spectral Efficiency) 개요 스펙트럼 효율(Spectral Efficiency)이란 단위 대역폭당 전송 가능한 데이터 전송률을 의미하며, 통신 시스템의 주파수 자원 활용 능력을 평가하는 핵심 성능 지표이다. 무선 통신에서 사용할 수 있는 주파수 자원은 한정되어 있으며, 국가적 자산으로 관리되어 매우 높은 비용이 발생한다. 따라…
AI Fairness 360 (AIF360) Toolkit 1. 개요 AI Fairness 360 (AIF360)은 IBM에서 개발한 오픈소스 라이브러리로, 머신러닝 모델의 학습 및 추론 과정에서 발생할 수 있는 편향성(Bias)을 탐지하고 이를 완화(Mitigation)하기 위한 포괄적인 도구 모음이다. 현대 인공지능 시스템은 학습 데이터에 포함된 인간의…
편향-분산 트레이드오프 (Bias-Variance Tradeoff) 1. 개요 편향-분산 트레이드오프(Bias-Variance Tradeoff)란 머신러닝 모델의 예측 성능을 결정하는 두 가지 핵심 요소인 편향(Bias)과 분산(Variance) 사이의 상충 관계를 의미하며, 모델의 복잡도를 조절하여 전체 오차(Total Error)를 최소화하는 최적의 지…
코드 메트릭 (Code Metrics) 개요 코드 메트릭(Code Metrics)은 소프트웨어 코드의 품질, 복잡도, 유지보수성, 그리고 테스트 용이성을 정량적으로 측정하고 평가하기 위한 지표들의 집합을 의미합니다. 소프트웨어 공학에서 코드 메트릭은 소스 코드의 구조적 특성을 수치화하여 개발자, 프로젝트 매니저, 그리고 품질 보증(QA) 팀이 객관적인 데이…
검정력 (Power) 검정력(檢定力, Statistical Power)은 통계학, 특히 가설 검정(Hypothesis Testing)에서 매우 중요한 개념으로, 귀무가설( )이 실제로 거짓일 때 이를 올바르게 기각하고 대립가설( )을 채택할 확률을 의미합니다. 즉, 실험이나 조사 설계 단계에서 "실제로 효과가 존재할 때, 그 효과를 발견할 수 있는 능력"을…
파괴적 망각 (Catastrophic Forgetting) 파괴적 망각은 연속 학습(Continual Learning) 환경에서 인공지능 모델이 새로운 작업을 학습하는 과정에서 기존 작업의 성능이 급격히 저하되는 현상을 의미합니다. 이는 인간 학습자가 새로운 지식을 습득하더라도 기존 지식을 완전히 잊지 않는 능력과 대비되는 머신러닝의 근본적인 한계 중 하나…
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 개…