Fairness Indicators Fairness Indicators는 머신러닝 모델의 예측 결과가 특정 사용자 그룹(인종, 성별, 연령 등)에 대해 편향되어 있는지 측정하고 시각화하여 모델의 공정성을 평가하는 오픈소스 도구 및 프레임워크입니다. 개요 머신러닝 모델은 학습 데이터에 포함된 인간의 편견이나 데이터 수집 과정의 불균형을 그대로 학습하여 특정 …
검색 결과
"False Negative"에 대한 검색 결과 (총 52개)
아티팩트 (Artifact, 영상 진단) 1. 개요 아티팩트(Artifact)란 [[의료 영상 진단]] 과정에서 실제 인체 내에 존재하는 해부학적 구조물이 아님에도 불구하고, 영상 획득 및 재구성 과정에서 물리적·기술적 요인으로 인해 나타나는 가공의 신호나 왜곡된 영상을 의미한다. 이는 영상의 품질을 저하시키며, 최악의 경우 실제 병변으로 오인되거나 중요한…
대출 심사 모델 (Loan Underwriting Model) 1. 개요 대출 심사 모델이란 금융기관이 대출 신청자의 신용도와 상환 능력을 평가하여 대출 승인 여부, 대출 한도, 그리고 적용 금리를 결정하기 위해 사용하는 정량적·정성적 분석 체계를 의미한다. 금융기관의 핵심 목적은 리스크 관리(Risk Management)와 운영 효율화(Automation…
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 …
모델 평가 (Model Evaluation) 1. 개요 모델 평가란 학습된 머신러닝 모델이 새로운 데이터에 대해 얼마나 정확하고 일반화된 예측 성능을 보이는지를 정량적으로 측정하는 과정이다. 모델 평가의 핵심 목적은 모델의 일반화 성능(Generalization Performance)을 확인하는 것이다. 모델이 학습 데이터에만 지나치게 최적화되어 새로운 데…
오진 (Misdiagnosis) 1. 개요 오진(Misdiagnosis)이란 의료진이 환자의 증상과 징후를 바탕으로 내린 진단이 실제 환자가 앓고 있는 질병과 일치하지 않는 상태를 의미한다. 이는 단순히 질병의 이름을 잘못 지정하는 것뿐만 아니라, 질병의 존재 자체를 인식하지 못하거나 진단 시기를 놓치는 경우를 모두 포함한다. 또한, 치료가 불필요한 상태를…
결함 검출 개요 결함 검출(Def Detection)은 산업 생산정에서 제품이나 자재에 존재하는 물리적, 구조적 또는 기능적 이상을 식하는 핵심적인 품질 관리 활동입니다. 이는 제조업 전반에서 제품의 신뢰성, 안전성, 일관성을 보장하기 위한 필수 절차로, 자동차, 반도체, 항공우주, 금속 가공, 전자기기 등 다양한 산업 분야에서 활용됩니다. 결함 검출 기술…
전립선 MRI (Prostate MRI) 개요 전립선 MRI는 자기공명영상(Magnetic Resonance Imaging) 기술을 이용하여 전립선의 해부학적 구조와 조직의 특성을 고해상도로 시각화함으로써, [[전립선암]]의 진단, 병기 결정 및 치료 계획 수립을 돕는 정밀 의료 영상 검사이다. 특히 전립선암의 조기 발견과 국소 침범 여부를 판단하는 데 있…
검정력 분석 (Power Analysis) 검정력 분석(Power Analysis)은 통계적 가설 검정에서 표본의 크기를 결정하거나, 주어진 표본 크기에서 특정 효과 크기를 탐지할 수 있는 능력을 평가하는 통계적 방법론입니다. 이는 실험 설계 단계에서 연구의 타당성을 확보하고, 제2종 오류(Type II error)의 발생 확률을 최소화하기 위해 필수적으로…
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…
모델 예측 (Model Prediction) 개요 모델 예측(Model Prediction)은 머신러닝 및 딥러닝 분야에서 학습된 알고리즘이 새로운, 보지 못한 데이터(Unseen Data)에 대해 특정 결과를 도출해 내는 과정을 의미합니다. 모델 학습(Model Training)이 과거의 데이터(레이블이 있는 정답 데이터)를 통해 패턴을 학습하고 가중치(…
집단별 성능 지표 (Stratified Performance Metrics) 개요 집단별 성능 지표(Stratified Performance Metrics)는 머신러닝 및 데이터 과학 모델의 평가 과정에서 전체 데이터셋의 평균 성능만으로는 파악하기 어려운 하위 그룹(Sub-group) 간의 성능 편차(Disparity)를 정량화하기 위해 사용되는 평가 방법…
레이블의 분포 (Label Distribution) 개요 레이블의 분포(Label Distribution)는 기계 학습(Machine Learning) 및 데이터 과학 분야에서 분류(Classification) 문제의 타겟 변수(Target Variable)가 데이터셋 내에서 어떻게 할당되어 있는지를 나타내는 통계적 특성입니다. 특히 지도 학습(Superv…
머신러닝(Machine Learning) 머신러닝은 명시적인 프로그래밍 없이 컴퓨터가 데이터를 통해 스스로 학습하고 패턴을 인식하여 예측 또는 결정을 내리는 인공지능(AI)의 핵심 하위 분야입니다. 머신러닝의 개요와 정의 머신러닝은 아서 사무엘(Arthur Samuel)이 1959년 "컴퓨터가 특정 작업을 수행하기 위해 명시적인 명령어 없이 학습할 수 있는…
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…
F1 score 개요 F1 score(F1 점수)는 머신러닝과 데이터 과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표입니다. 특히 정밀도(Precision)와 재현율(Recall) 사이의 균형을 중요시할 때 유용하며, 두 지표의 조화 평균(Harmonic Mean)으로 정의됩니다. F1 score는 불균형한 데이터셋(Imbalanced D…
부정 클래스 개요 머신러닝, 특히 분류(Classification) 작업에서 "부정 클래스(Negative Class)"는 특정 관심 있는 사건(또는 객체)이 발생하지 않았음을 나타내는 범주를 의미합니다. 이는 "양성 클래스(Positive Class)"와 대조되는 개념으로, 이진 분류(Binary Classification)에서 가장 흔히 사용됩니다. 예…
제1종 오류 개요 제1종 오류(Type I Error)는 통계학에서 가설 검정을 수행할 때 발생할 수 있는 두 가지 주요 오류 중 하나로, 귀무가설(null hypothesis)이 실제로 참임에도 불구하고 이를 기각하는 오류를 의미합니다. 이는 "거짓 양성"(False Positive)이라고도 불리며, 통계적 의사결정에서 중요한 개념 중 하나입니다. 제1종…
F1 스코어 개요 F1 스코어(F1 Score)는 기계학습과 데이터과학 분야에서 분류 모델의 성능을 평가하는 데 널리 사용되는 지표 중 하나입니다. 특히 정밀도(Precision)와 재현율(Recall)이 모두 중요한 상황에서 두 지표의 조화 평균(Harmonic Mean)을 계산하여 모델의 균형 잡힌 성능을 평가하는 데 유용합니다. F1 스코어는 불균형 …
거짓 음성 개요 거짓 음성(False Negative, FN)은 분류 모델의 예측 결과와 실제 정답 사이의 불일치를 나타내는 중요한 평가 지표 중 하나로, 특히 이진 분류(binary classification) 문제에서 핵심적인 개념입니다. 거짓 음성은 실제 긍정 클래스(Positive)에 속하는 사례를 모델이 부정 클래스(Negative)로 잘못 예측했…