면접 답변
둘은 이름만 다른 같은 지표입니다. 둘 다 실제 양성 중에서 모델이 양성으로 맞힌 비율, 즉 TP를 TP와 FN의 합으로 나눈 값입니다. 의학에서는 민감도(sensitivity)라고도 부르며, ROC 곡선을 말할 때는 TPR, 정밀도와 함께 말할 때는 Recall이라고 부르는 것이 관례입니다. 예를 들어 실제 환자 100명 중 80명을 찾아냈다면 TPR과 Recall은 모두 0.8입니다. FN의 비용이 큰 암 진단이나 사기 탐지에서 특히 중요하게 봅니다.
자세한 설명
혼동 행렬(confusion matrix)의 항으로 쓰면 다음과 같다. TP는 양성을 양성으로 맞힌 수, FN은 양성을 음성으로 놓친 수이다.
\[\text{TPR} = \text{Recall} = \text{Sensitivity} = \frac{TP}{TP + FN}\]확률로 쓰면 \(P(\hat{y} = 1 \mid y = 1)\)이다. 분모가 실제 양성 전체이므로 정밀도(precision)나 위양성률(false positive rate, FPR)과는 기준 집합이 다르다.
| 지표 | 식 | 분모의 의미 | 다른 이름 |
|---|---|---|---|
| TPR | \(TP / (TP + FN)\) | 실제 양성 | Recall, Sensitivity |
| FNR | \(FN / (TP + FN)\) | 실제 양성 | \(1 - \text{TPR}\) |
| FPR | \(FP / (FP + TN)\) | 실제 음성 | \(1 - \text{Specificity}\) |
| Precision | \(TP / (TP + FP)\) | 양성 예측 | PPV |
예제
실제 양성 100개, 실제 음성 100개에서 \(TP = 80\), \(FN = 20\), \(FP = 30\), \(TN = 70\)이라고 하자.
- TPR = Recall = \(80/100 = 0.8\)
- FPR = \(30/100 = 0.3\)
- Precision = \(80/110 \approx 0.727\)
클래스 비율의 영향
TPR은 실제 양성 안에서만 계산하므로, 클래스별 점수 분포가 그대로라면 양성 비율이 변해도 값이 변하지 않는다. 정밀도는 다르다. 위 모델에서 TPR 0.8과 FPR 0.3을 유지한 채 음성만 900개로 늘리면 \(FP = 270\)이 되어, Recall은 0.8 그대로이지만 Precision은 \(80/350 \approx 0.229\)로 떨어진다.
관련 개념
- ROC 곡선: 가로축 FPR, 세로축 TPR로 그린 곡선이다. Q-38에서 다룬다.
- F1-score: Precision과 Recall의 조화 평균이다. Q-27에서 다룬다.
- 특이도(specificity): 실제 음성 중 음성으로 맞힌 비율로, TPR의 음성 쪽 대응 지표이다.
- 임계값(threshold): 낮추면 양성 예측이 늘어 TPR은 올라가거나 그대로이지만, 보통 FPR도 함께 올라간다.
꼬리 질문
Q. Recall만 높이는 가장 쉬운 방법은 무엇이고, 왜 문제인가요? 모두 양성으로 예측하면 Recall은 1이 됩니다. 하지만 FP가 최대가 되어 Precision과 FPR이 나빠지므로 Recall은 다른 지표와 함께 봐야 합니다.
Q. 다중 클래스에서는 Recall을 어떻게 계산하나요? 클래스별로 일대다(one-vs-rest) Recall을 구한 뒤 평균합니다. 단순 평균이 macro, 표본 수 가중 평균이 weighted이고, 샘플마다 레이블이 하나인 문제에서 micro Recall은 accuracy와 같습니다.