혼동행렬분석

분류 모델 성능 리포트 ✨

총 54개 샘플 분석 결과

혼동 행렬 (Confusion Matrix) 🎯

출처: encord.ai

현재 모델의 혼동 행렬

예측: 0

예측: 1

실제: 0

18

TN

0

FP

실제: 1

1

FN

35

TP

정확한 예측 (TP: True Positive, TN: True Negative)

잘못된 예측 (FP: False Positive, FN: False Negative)

📚 혼동 행렬이란?

혼동 행렬은 분류 모델의 예측 결과를 한눈에 보여주는 표예요. 실제 값과 예측 값을 비교해서 모델이 어떤 실수를 하는지 알 수 있어요!

✅ True Positive (TP): 35개

실제로 1인 걸 1이라고 정확히 예측했어요

✅ True Negative (TN): 18개

실제로 0인 걸 0이라고 정확히 예측했어요

❌ False Positive (FP): 0개

실제는 0인데 1이라고 잘못 예측 (완벽해요! 🎉)

❌ False Negative (FN): 1개

실제는 1인데 0이라고 잘못 예측 (거의 완벽해요!)

💡 현재 모델 상태

54개 중 53개를 정확히 맞췄어요! (정확도 98.1%) FP가 0개라는 건 오탐이 없다는 뜻이고, FN이 1개만 있어서 거의 완벽한 성능이에요! 👏

📊 지표 계산 방법

Precision (정밀도)

"모델이 Positive라고 예측한 것 중 실제로 맞은 비율"

Precision = TP / (TP + FP)

클래스 0: 18 / (18 + 0) = 0.95 (추정)

클래스 1: 35 / (35 + 0) = 1.00

📌 해석: 1에 가까울수록 '양성' 예측이 신뢰할 만함
• 0.8 이상: 우수 • 0.6~0.8: 보통 • 0.6 미만: 개선 필요
💡 Precision이 높고 Recall이 낮으면 → 오탐 적고 놓침 많음

Recall (재현율)

"실제 Positive 중에서 모델이 찾아낸 비율"

Recall = TP / (TP + FN)

클래스 0: 18 / (18 + 0) = 1.00

클래스 1: 35 / (35 + 1) = 0.97

📌 해석: 1에 가까울수록 실제 양성을 잘 놓치지 않음
• 0.8 이상: 우수 • 0.6~0.8: 보통 • 0.6 미만: 개선 필요
💡 Recall이 높고 Precision이 낮으면 → 양성 많이 잡지만 오탐 많음

F1-Score

"Precision과 Recall의 조화평균"

F1 = 2 × (Precision × Recall) / (Precision + Recall)

클래스 0: 2 × (0.95 × 1.00) / (0.95 + 1.00) = 0.97

클래스 1: 2 × (1.00 × 0.97) / (1.00 + 0.97) = 0.99

📌 해석: Precision과 Recall의 균형을 본 값
• 0.8 이상: 우수
💡 두 지표의 균형이 중요할 때 참고하세요

Accuracy (정확도)

"전체 중에서 정확히 예측한 비율"

Accuracy = (TP + TN) / Total

(35 + 18) / 54 = 0.98

📌 해석: 전체 예측 중 맞춘 비율
• 0.9 이상: 매우 우수 • 0.7~0.9: 보통 • 0.7 미만: 개선 필요
⚠️ 클래스 불균형 데이터에서는 오해의 소지가 있어요

Macro / Weighted Avg

Macro: 클래스별 평균 (단순평균)
Weighted: 샘플 수 가중 평균

Macro = (클래스0 + 클래스1) / 2

Weighted = (클래스0×18 + 클래스1×36) / 54

📌 해석: 클래스 불균형이 있을 때는 Weighted Avg를 참고하세요
💡 Macro는 각 클래스를 동등하게, Weighted는 샘플 수에 비례해서 평가해요

📋 Classification Report 전체 표

	Precision	Recall	F1-Score	Support
0	0.95	1.00	0.97	18
1	1.00	0.97	0.99	36
accuracy			0.98	54
macro avg	0.97	0.99	0.98	54
weighted avg	0.98	0.98	0.98	54

💡 주요 인사이트

• 모델의 전체 정확도는 98%로 매우 우수한 성능을 보여요!
• 클래스 1이 클래스 0보다 2배 많은 불균형 데이터셋이에요
• 클래스 0: 높은 재현율(1.00)로 모든 케이스를 놓치지 않았어요
• 클래스 1: 완벽한 정밀도(1.00)로 오탐이 전혀 없어요