Day 3 - 모델 평가 기초: 정확도·정밀도·재현율과 과적합/과소적합

모델을 만들었다면, 다음 질문은 단 하나다 — "이 모델, 정말 잘하는가?" 어제 우리는 불균형 데이터에서 단순 정확도가 모델을 좋게 오해하게 만든다는 함정을 봤다. 오늘은 그 함정을 넘어, 모델을 제대로 평가하는 세 가지 기본 지표(정확도·정밀도·재현율)를 최대한 쉽게 익히고, 모델이 잘못 학습되는 두 가지 대표 증상(과적합·과소적합)을 다룬다.

AIF-C01은 이 지표들의 복잡한 수식을 외우라고 하지 않는다. 대신 "정밀도와 재현율이 각각 무엇을 신경 쓰는가"라는 직관을 묻는다.

분류 결과의 네 가지 칸

지표를 이해하려면 먼저 분류 모델의 답이 네 종류로 나뉜다는 것을 알아야 한다. 예를 들어 "이 메일이 스팸인가?"를 판단하는 모델을 생각하자.

핵심은 두 종류의 실수다. **거짓 양성(FP)**은 멀쩡한 걸 잘못 잡은 것(정상 메일을 스팸으로), **거짓 음성(FN)**은 잡아야 할 걸 놓친 것(스팸을 정상으로 통과). 어느 실수가 더 치명적인지는 상황마다 다르다.

💡 관련 이론: 이 2×2 표를 **혼동 행렬(Confusion Matrix)**이라고 한다