Day 2 - ROC/AUC와 임계값 조정: 곡선으로 읽는 모델 성능

어제의 정밀도·재현율은 특정 임계값(보통 0.5)에서 계산한 단면이었다. 하지만 분류 모델은 사실 0과 1이 아니라 확률 점수를 내고, 그 점수를 어디서 자르느냐가 정밀도와 재현율을 통째로 바꾼다. 오늘은 임계값을 0부터 1까지 움직이며 성능 전체를 그리는 ROC 곡선과 PR 곡선, 그리고 곡선을 하나의 숫자로 요약하는 AUC를 다룬다. 핵심 질문은 "임계값을 어디에 둘 것인가"이며, 그 답은 비즈니스 트레이드오프에서 나온다.

임계값이 바꾸는 것

분류기는 P(Positive) = 0.73 같은 점수를 출력한다. 임계값 t를 정해 점수 ≥ t면 Positive로 분류한다.

임계값 ↓ (예: 0.3)  → 더 많이 Positive로 분류
   → 재현율 ↑ (양성을 더 많이 잡음), 정밀도 ↓ (FP 증가)
 
임계값 ↑ (예: 0.7)  → 더 보수적으로 Positive 분류
   → 정밀도 ↑ (확실한 것만), 재현율 ↓ (놓치는 양성 증가)

즉 단 하나의 모델이라도 임계값에 따라 무수히 많은 (정밀도, 재현율) 쌍을 가진다. 곡선은 이 모든 쌍을 한 그림에 펼친 것이다.

ROC 곡선: TPR vs FPR

ROC(Receiver Operating Characteristic) 곡선은 임계값을 움직이며 두 축을 그린다.