머신러닝 F1 점수 완벽 분석: 개념, 중요성, 활용법

머신러닝 모델의 성능을 평가하는 데에는 다양한 지표가 활용된다. 그중 F1 점수는 정밀도(Precision)와 재현율(Recall)의 조화 평균으로, 불균형한 데이터셋에서 모델의 성능을 종합적으로 평가하는 데 유용하다. 이 글에서는 F1 점수의 개념, 계산 방법, 중요성, 그리고 실제 활용 사례를 자세히 살펴본다.

---

📌 F1 점수란 무엇인가? (What is F1 Score?)
F1 점수는 머신러닝 모델의 성능을 평가하는 지표 중 하나로, 특히 이진 분류 문제에서 많이 사용된다. F1 점수는 정밀도(Precision)와 재현율(Recall)을 모두 고려하여 계산되므로, 데이터 불균형 문제가 있는 경우에도 모델의 성능을 더 정확하게 평가할 수 있다. 정밀도는 모델이 양성이라고 예측한 것 중에서 실제로 양성인 비율을 나타내고, 재현율은 실제 양성인 것 중에서 모델이 양성으로 정확하게 예측한 비율을 나타낸다. F1 점수는 이 두 가지 지표의 조화 평균이다.

---

🧮 F1 점수 계산 방법 (How to Calculate F1 Score)
F1 점수는 정밀도와 재현율을 이용하여 다음과 같이 계산한다.

1. 정밀도(Precision) 계산:
   정밀도 = TP / (TP + FP)
   여기서 TP는 True Positive(실제 양성을 양성으로 정확히 예측한 경우)이고, FP는 False Positive(실제 음성을 양성으로 잘못 예측한 경우)이다.
2. 재현율(Recall) 계산:
   재현율 = TP / (TP + FN)
   여기서 FN은 False Negative(실제 양성을 음성으로 잘못 예측한 경우)이다.
3. F1 점수 계산:
   F1 점수 = 2 * (정밀도 * 재현율) / (정밀도 + 재현율)
   F1 점수는 0과 1 사이의 값을 가지며, 1에 가까울수록 모델의 성능이 좋다고 평가할 수 있다. 정밀도와 재현율이 모두 높을 때 F1 점수도 높아진다.

---

🔥 F1 점수가 중요한 이유 (Why F1 Score Matters)
F1 점수는 특히 불균형한 데이터셋에서 모델의 성능을 평가할 때 매우 유용하다. 예를 들어, 암 진단 모델에서 실제 암 환자 수가 전체 데이터에서 매우 적은 비율을 차지하는 경우를 생각해보자. 이 경우, 모델이 모든 환자를 음성으로 예측하더라도 높은 정확도(Accuracy)를 얻을 수 있다. 그러나 이러한 모델은 실제 암 환자를 제대로 진단하지 못하므로 의미가 없다. F1 점수는 정밀도와 재현율을 모두 고려하므로, 이러한 상황에서 모델의 실제 성능을 더 정확하게 평가할 수 있다.

def calculate\_f1\_score(precision, recall):  
f1\_score = 2 \* (precision \* recall) / (precision + recall)  
return f1\_score

precision = 0.8
recall = 0.6
f1 = calculate_f1_score(precision, recall)
print(f"정밀도: {precision}")
print(f"재현율: {recall}")
print(f"F1 점수: {f1}")

---

🎯 F1 점수 활용 사례 (Use Cases of F1 Score)

1. 스팸 메일 분류 (Spam Email Classification): 스팸 메일 분류 문제에서 F1 점수는 매우 유용하게 사용된다. 스팸 메일의 비율이 전체 메일 중에서 매우 적기 때문에, 정확도만으로는 모델의 성능을 제대로 평가하기 어렵다. F1 점수를 사용하면 스팸 메일을 정확하게 분류하는 모델의 성능을 더 정확하게 평가할 수 있다.
2. 이상 탐지 (Anomaly Detection): 제조, 금융 등 다양한 분야에서 이상 탐지는 중요한 문제이다. 이상 데이터는 정상 데이터에 비해 매우 적기 때문에, F1 점수를 사용하여 모델의 성능을 평가하는 것이 효과적이다.
3. 의료 진단 (Medical Diagnosis): 질병 진단 모델에서 F1 점수는 환자를 정확하게 진단하는 데 중요한 역할을 한다. 특히 희귀 질환의 경우, F1 점수를 통해 모델의 성능을 더 정확하게 평가할 수 있다.

---

💡 F1 점수 개선 방법 (How to Improve F1 Score)
F1 점수를 개선하기 위해서는 정밀도와 재현율을 모두 높여야 한다. 다음은 F1 점수를 개선하기 위한 몇 가지 방법이다.

1. 데이터 증강 (Data Augmentation): 불균형한 데이터셋에서 소수 클래스의 데이터를 늘리는 방법이다. 예를 들어, 이미지를 회전하거나 확대/축소하여 새로운 데이터를 생성할 수 있다.
2. 샘플링 기법 (Sampling Techniques): 오버샘플링(Over-sampling) 또는 언더샘플링(Under-sampling)을 사용하여 데이터의 균형을 맞추는 방법이다. 오버샘플링은 소수 클래스의 데이터를 복제하거나 생성하고, 언더샘플링은 다수 클래스의 데이터를 제거한다.
3. 모델 조정 (Model Tuning): 모델의 파라미터를 조정하여 정밀도와 재현율을 최적화하는 방법이다. 예를 들어, 분류 임계값(Classification Threshold)을 조정하여 모델의 예측 결과를 변경할 수 있다.
4. 앙상블 기법 (Ensemble Methods): 여러 모델을 결합하여 성능을 향상시키는 방법이다. 예를 들어, Random Forest, Gradient Boosting 등의 앙상블 모델은 F1 점수를 개선하는 데 효과적이다.

---

✅ 주요 용어 정리 (Key Terms)

• 정밀도 (Precision): 양성 예측의 정확도
• 재현율 (Recall): 실제 양성 중 양성으로 예측된 비율
• F1 점수 (F1 Score): 정밀도와 재현율의 조화 평균
• 데이터 불균형 (Data Imbalance): 클래스별 데이터 수의 불균형
• 오버샘플링 (Over-sampling): 소수 클래스 데이터 증가
• 언더샘플링 (Under-sampling): 다수 클래스 데이터 감소

F1 점수는 머신러닝 모델의 성능을 평가하는 데 필수적인 지표이다. 특히 불균형한 데이터셋에서 모델의 성능을 정확하게 평가하고 개선하는 데 중요한 역할을 한다. 이 글에서 설명한 개념과 방법을 통해 F1 점수를 효과적으로 활용하고, 머신러닝 모델의 성능을 향상시킬 수 있기를 바란다.