F1 점수란?
F1 점수는 정밀도(precision)와 재현율(recall)을 하나의 값으로 결합한 지표로, 머신러닝과 정보 검색, 통계 분야에서 분류 모델을 평가할 때 널리 쓰입니다. 정밀도와 재현율의 조화평균(harmonic mean)이기 때문에, 어느 한쪽만 뛰어난 모델보다 두 지표의 균형이 잘 잡힌 모델에 높은 점수를 줍니다.
계산기 사용법
혼동 행렬(confusion matrix)에서 세 가지 값을 입력하세요. True Positive(TP, 양성을 양성으로 올바르게 예측한 수), False Positive(FP, 음성인데 양성으로 잘못 예측한 수), False Negative(FN, 양성인데 놓친 수)입니다. 값을 입력하면 정밀도, 재현율, 그리고 그에 따른 F1 점수가 즉시 계산됩니다.
공식 풀이
정밀도 = \( \dfrac{\text{TP}}{\text{TP} + \text{FP}} \) 는 모델이 양성이라고 예측한 것 중 실제로 맞은 비율을 나타냅니다. 재현율 = \( \dfrac{\text{TP}}{\text{TP} + \text{FN}} \) 은 실제 양성 중에서 모델이 찾아낸 비율을 의미합니다. 그리고 F1 점수는 다음과 같이 구합니다.
$$ F_1 = 2 \cdot \frac{\text{정밀도} \cdot \text{재현율}}{\text{정밀도} + \text{재현율}} $$조화평균이기 때문에 정밀도나 재현율 중 어느 하나라도 낮으면 F1 점수가 큰 폭으로 떨어집니다.
예제로 살펴보기
\( \text{TP} = 70 \), \( \text{FP} = 30 \), \( \text{FN} = 10 \) 이라고 가정해 봅시다. 정밀도 = \( \dfrac{70}{100} = 0.70 \), 재현율 = \( \dfrac{70}{80} = 0.875 \) 입니다. 따라서
$$ F_1 = 2 \cdot \frac{0.70 \cdot 0.875}{0.70 + 0.875} = 2 \cdot \frac{0.6125}{1.575} \approx 0.7778 $$즉 약 77.78%가 됩니다.
자주 묻는 질문
정확도(accuracy) 대신 F1 점수를 써야 할 때는 언제인가요? 클래스가 불균형할 때는 F1 점수가 더 적합합니다. 한 클래스가 데이터의 대부분을 차지하면 정확도가 실제보다 높게 나와 오해를 부를 수 있기 때문입니다.
F1 점수는 어느 정도면 좋은 건가요? F1 점수는 0에서 1 사이의 값을 가지며 1에 가까울수록 좋습니다. '좋다'의 기준은 과제마다 다르지만, 보통 0.8 이상이면 우수한 편으로 봅니다.
왜 조화평균을 사용하나요? 조화평균은 단순 산술평균보다 정밀도와 재현율 사이의 극단적인 불균형에 더 강하게 패널티를 줍니다. 덕분에 두 지표가 모두 적절히 높아야만 좋은 F1 점수를 얻을 수 있습니다.
