오류 비용 (Cost of Error) 1. 개요 오류 비용(Cost of Error)이란 머신러닝 모델이나 통계적 의사결정 시스템이 잘못된 예측을 내렸을 때 발생하는 경제적, 사회적, 혹은 물리적 손실의 가치를 의미한다. 오류 비용은 품질 경영(Six Sigma, Taguchi Loss Function)이나 경제학 등 다양한 분야에서 다루는 광범위한 개념…

데이터 편향 개요 데이터 편향(Data Bias)은 머신러닝 모델 훈련에 사용되는 데이터셋에 시스템적으로 왜곡된 패턴이 존재하는 현상으로, 모델의 예측 결과에 불공정성이나 오류를 유발할 수 있습니다. 이러한 편향은 데이터 수집, 전처리, 모델링 전 단계에서 발생할 수 있으며, 사회적 불평등을 심화시키거나 법적 문제를 야기할 수 있습니다. 예를 들어, 얼굴 …

위양성율 (False Positive Rate) 위양성율(False Positive Rate, 약자 FPR)은 이진 분류(Binary Classification) 문제에서 실제 음성(Negative)인 샘플 중 모델이 양성(Positive)으로 잘못 예측한 비율을 의미합니다. 즉, "사건이 발생하지 않았음에도 불구하고 사건이 발생했다고 판단하는 오류"의 빈…

머신러닝 기반 이상 탐지 (Machine Learning-based Anomaly Detection) 1. 개요 머신러닝 기반 이상 탐지란 데이터셋 내에서 대다수의 데이터와 현저히 다른 패턴을 보이는 희소한 관측치, 즉 '이상치(Outlier)' 또는 '이상 징후(Anomaly)'를 자동으로 식별하는 기술이다. 여기서 정상(Normal) 데이터는 시스템이 …

대표성 편향 (Representativeness Bias) 1. 개요 대표성 편향(Representativeness Bias)이란 어떤 대상이 특정 집단의 전형적인 특성과 유사하다는 이유만으로, 그 대상이 해당 집단에 속할 확률이 높다고 판단하는 인지적 오류를 의미한다. 이는 사람들이 확률적 판단을 내릴 때 수학적인 확률 계산보다는 직관적인 '유사성'이나 …

PR-AUC (Precision-Recall Area Under the Curve) 1. 개요 PR-AUC는 정밀도-재현율 곡선 아래의 면적(Area Under the Precision-Recall Curve)을 수치화한 지표로, 이진 분류 모델의 성능을 평가하는 데 사용됩니다. 이 지표는 정밀도(Precision)와 재현율(Recall)의 조화로운 성능을…

F1-score 1. 개요 F1-score는 분류 모델의 성능을 평가하는 지표로, 정밀도(Precision)와 재현율(Recall)의 조화 평균(Harmonic Mean)으로 계산되는 수치입니다. 일반적으로 분류 모델의 성능을 측정할 때 정확도(Accuracy)를 사용하지만, 데이터의 클래스 분포가 매우 불균형한 경우(Imbalanced Data) 정확도는…

이진 분류 (Binary Classification) 1. 개요 이진 분류(Binary Classification)란 주어진 데이터를 두 개의 서로 배타적인 클래스(Class) 중 하나로 분류하는 [[지도 학습]](Supervised Learning)의 한 형태이다. 일반적으로 정답 레이블은 0과 1, 혹은 'Positive(긍정/참)'와 'Negative…

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 …

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…

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…

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…

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…

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

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…

편향 문제 개요 인공지능(AI) 시스템은 대량의 데이터와 복잡한 알고리즘을 기반으로 의사결정을 수행한다. 그러나 학습 데이터, 모델 설계, 운영 환경 등에 내재된 편향(bias) 은 AI가 인간과 동일하거나 더 나은 판단을 내리지 못하고, 특정 집단에 불리한 결과를 초래할 위험을 내포한다. AI 윤리 분야에서 편향 문제는 공정성, 차별 금지, 투명성 등 핵…

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 …