인공지능 모델 성능 지표 설명과 예시

📊 1️⃣ 성능 지표별 기준

 

지표	이름뜻	값이 클수록	해석
Accuracy (정확도)	전체 중 맞춘 비율	✅ 좋음	전체 예측 정확도를 평가
Precision (정밀도)	예측 중 맞춘 비율	✅ 좋음	“맞다고 한 것 중에 진짜 맞은 비율”
Recall (재현율)	실제 중 맞춘 비율	✅ 좋음	“진짜 맞은 것 중에 잘 찾아낸 비율”
F1 Score	정밀도와 재현율의 조화 평균	✅ 좋음	Precision, Recall의 균형을 본 지표
ROC-AUC	모델이 구분을 얼마나 잘 하는지	✅ 좋음	1에 가까울수록 좋은 분류기
Loss (손실)	예측이 실제와 얼마나 다른지	❌ 나쁨 (작을수록 좋음)	오차의 평균값
RMSE / MSE	회귀모델의 예측 오차 크기	❌ 나쁨 (작을수록 좋음)	예측값과 실제값의 차이 정도

_____________________________________________

 

예시)

 

모델                                                                                                                           Accuracy (정확도)       F1 Score

 

RandomForestClassifier (rfc)	0.64	0.043
XGBoostClassifier (xgbc)	0.592	0.203

---

🧠 1️⃣ 정확도(Accuracy) 기준으로 보면

• 랜덤포레스트(RandomForest) 의 정확도 0.64가 더 높습니다.
  ➡️ 즉, 전체적으로 맞춘 비율이 더 높아요.

---

❤️ 2️⃣ F1 점수(F1 Score) 기준으로 보면

• XGBoost(XGBC) 의 F1 점수 0.203이 훨씬 높아요.
  ➡️ 즉, 소수 클래스(불균형 데이터) 를 더 잘 맞추고 있다는 뜻이에요.

---

⚖️ 3️⃣ 결론

"어떤 모델이 더 낫냐" 는 목표에 따라 달라집니다.

                                                                                                                                       

 

상황	더 좋은 모델
전체 예측 정확도를 높이고 싶다	✅ RandomForest (0.64)
불균형 데이터에서 소수 클래스(예: 이탈자, 부정행위자 등) 잘 잡고 싶다	✅ XGBoost (F1 = 0.203)