# 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 위...

# 검정력 (Power) **검정력**(檢定力, Statistical Power)은 통계학, 특히 **가설 검정**(Hypothesis Testing)에서 매우 중요한 개념으로, 귀무가설($H_0$)이 실제로 거짓일 때 이를 올바르게 기각하고 대립가설($H_1$)을 채택할 확률을 의미합니다. 즉, 실험이나 조사 설계 단계에서 "실제로 효과가 존재할 때, ...

# 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 패턴...

# 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...

# 장애 감지 (Fault Detection) ## 개요 **장애 감지(Fault Detection)**는 컴퓨터 시스템, 네트워크, 소프트웨어 애플리케이션 등에서 예기치 않은 오류, 고장, 또는 비정상적인 상태가 발생했음을 식별하고 알림을 생성하는 프로세스를 의미합니다. 현대의 분산 시스템과 클라우드 인프라에서 장애 감지는 시스템의 가용성(Availa...

# 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 ...

# 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 지...

# 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 ...

# 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...

# 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 **...

# 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 불균형...

# 부정 클래스 ## 개요 머신러닝, 특히 **분류(Classification)** 작업에서 "부정 클래스(Negative Class)"는 특정 관심 있는 사건(또는 객체)이 **발생하지 않았음**을 나타내는 범주를 의미합니다. 이는 "양성 클래스(Positive Class)"와 대조되는 개념으로, 이진 분류(Binary Classification)에서...

# 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 오류**를 의미합니다. 이는 "거짓 양성"(False Positive)이라고도 불리며, 통계적 의사결정에서 중요한 개념 중...

# 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 유용합니...

# 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(Ne...

# 재현율 ## 개요 재현율(Recall)은 자연어처리(NLP) 및 머신러닝 분야에서 모델의 성능을 평가하는 핵심 지표 중 하나로, **정답인 샘플 중에서 모델이 얼마나 많은 것을 올바르게 찾아냈는지**를 나타내는 비율입니다. 특히 정밀도(Precision)와 함께 분류 모델, 정보 검색 시스템, 개체명 인식(NER), 질의 응답(QA) 등 다양한 자연...

# 정적 분석 ##요 정적 분석Static Analysis)은 소스 코드 바이너리를 실행하지 않고도프트웨어의조, 품질, 보안성 등을 평가하는 기술입니다. 특히 **보안야**에서는 소프트웨어 개발 초기 단계에서 잠재적인 보안 취약점을 조기에 발견하고 수정할 수 있어, 취약점 스캐닝 도구로서 매우 중요한 역할을 합니다. 정적 분석은 소스 코드를 기반으로 하...

# 정밀도 균형 정밀도 균형(Precision Balance은 데이터과학, 머신러닝 모델 평가에서 중요한 중 하나로, **정밀도**(Precision)와 **재현**(Recall) 사이의 균형을 의미합니다. 이는 모델이 얼마나 정하게 긍정 클래스를 예측하는지(정밀도), 그리고 실제 긍정 샘플 중 얼마나 많은 비율을 올바르게 찾아내는지(재현율)를 고려하여 ...

# 유방암 선별 진단 유방암은 전 세계 여성에게 가장 흔한 악성 종양 중 하나이며, 조기 발견과 치료가존율 향상에 결정적인 역할을 한다. 유방암 선별 진단(Breast Cancer Screening)은 증상이 없는 건강한 여성군에서 조기에 유방암을 발견하기 위한 체계적인 검사 절차를 의미한다. 이 문서에서는 유방암 선별 진단의 주요 방법, 대상자 기준, ...

# ROC 곡선 ## 개요 ROC 곡선(Receiver Operatingistic Curve, 수기 운영 특성 곡선)은 이진류 모델의 성능을각적으로 평가하고 비교하는 데 사용되는 중요한 도입니다. ROC 곡선은 다양한 분류 임계값(threshold)에 **민감도**(감지율, 재현율)와 **위양성율**(거짓 양성 비율)을 비교하여 모델의 판별 능력을 분석...