F1 점수 계산기

F1 점수 계산기

인기 AI Skill PRO

계산 입력

공식

F1=2·TP2·TP+FP+FN여기서{TP=True PositiveFP=False PositiveFN=False Negative\begin{gathered} F_1 = \frac{2 \cdot \text{TP}}{2 \cdot \text{TP} + \text{FP} + \text{FN}} \\[1.5em] \text{여기서}\quad \left\{ \begin{aligned} \text{TP} &= \text{True Positive} \\ \text{FP} &= \text{False Positive} \\ \text{FN} &= \text{False Negative} \end{aligned} \right. \end{gathered}
사용 통계

광고

결과

F1 점수
0.7778
정밀도와 재현율의 조화평균
정밀도 0.7 (70%)
재현율 0.875 (87.5%)
F1 점수 (%) 77.78%

이 페이지의 오류 신고

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.

참양성, 거짓양성, 거짓음성, 참음성을 보여주는 혼동 행렬
혼동 행렬: F1 점수는 TP, FP, FN으로 계산됩니다.

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.

광고
정밀도와 재현율이 결합되어 F1 점수가 되는 과정을 보여주는 다이어그램
F1은 정밀도와 재현율의 조화 평균입니다.

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.

정밀도와 재현율 시나리오별 F1 점수

F1은 정밀도(precision)와 재현율(recall)의 조화 평균입니다: \(F_1 = \frac{2PR}{P+R}\). 이 표는 여러 정밀도(P)와 재현율(R) 쌍에 대해 F1을 단순 산술 평균과 비교합니다.

정밀도 재현율 산술 평균 F1
0.90 0.90 0.900 0.900
0.99 0.50 0.745 ≈ 0.664
0.80 0.60 0.700 ≈ 0.686
1.00 0.10 0.550 ≈ 0.182
0.50 0.50 0.500 0.500

예를 들어 0.80/0.60 행은 TP = 60, FP = 15, FN = 40에 해당합니다. 정밀도 = 60/75 = 0.80, 재현율 = 60/100 = 0.60, 그리고 \(F_1 = \frac{2 \cdot 60}{2 \cdot 60 + 15 + 40} = \frac{120}{175} \approx 0.686\)입니다.

참고: F1은 항상 산술 평균보다 두 값 중 더 작은 값에 가깝습니다. 정밀도와 재현율이 같으면 F1도 두 값과 같습니다. 두 값의 차이가 클수록 F1은 더 약한 쪽을 향해 끌려 내려가므로, 모델이 뛰어난 정밀도 뒤에 낮은 재현율을 숨기거나 그 반대로 할 수 없습니다.

혼동 행렬 용어와 관련 지표

  • 참 양성(TP, True Positive): 양성 사례를 모델이 양성으로 올바르게 예측한 경우입니다.
  • 거짓 양성(FP, False Positive): 음성 사례를 잘못 양성으로 예측한 경우입니다(오경보, 제1종 오류).
  • 거짓 음성(FN, False Negative): 양성 사례를 잘못 음성으로 예측한 경우입니다(놓침, 제2종 오류).
  • 참 음성(TN, True Negative): 음성 사례를 음성으로 올바르게 예측한 경우입니다. TN은 F1 공식에 사용되지 않습니다.
  • 정밀도(양성 예측도, positive predictive value): \(\frac{TP}{TP + FP}\), 양성으로 예측된 것 중 실제로 양성인 비율입니다.
  • 재현율(민감도, 참 양성 비율, sensitivity): \(\frac{TP}{TP + FN}\), 실제 양성 중 모델이 찾아낸 비율입니다.
  • 정확도(Accuracy): \(\frac{TP + TN}{TP + TN + FP + FN}\), 전체 예측 중 올바른 예측의 비율입니다. 불균형 데이터에서는 오해를 일으킬 수 있습니다.
  • 특이도(참 음성 비율, specificity): \(\frac{TN}{TN + FP}\), 실제 음성 중 올바르게 식별된 비율입니다.
  • F-베타 점수(F-beta score): \(F_\beta = \frac{(1+\beta^2) PR}{\beta^2 P + R}\). F1은 \(\beta = 1\)인 경우입니다. F2(\(\beta = 2\))는 재현율에 더 큰 가중치를 두고, F0.5(\(\beta = 0.5\))는 정밀도에 더 큰 가중치를 둡니다.
  • 매크로 평균(Macro averaging): 각 클래스의 F1을 계산한 뒤 가중치 없이 평균하므로, 모든 클래스가 동일하게 반영됩니다.
  • 마이크로 평균(Micro averaging): 모든 클래스의 TP, FP, FN을 합산해 하나의 F1을 계산하므로, 빈도가 높은 클래스가 결과를 지배합니다.
  • 가중 평균(Weighted averaging): 각 클래스의 실제 인스턴스 수(지지도, support)로 가중치를 준 클래스별 F1 점수의 평균입니다.
광고

F1 점수 해석하기

F1은 0(참 양성 없음)에서 1(거짓 양성과 거짓 음성이 모두 없음)까지의 값을 가집니다. 대략적이고 비공식적인 기준은 다음과 같습니다:

  • 약 0 ~ 0.5: 약함
  • 0.5 ~ 0.7: 보통
  • 0.7 ~ 0.9: 좋음
  • 0.9 초과: 매우 강함

이 구간은 상황에 따라 달라지며, 보편적으로 정해진 기준은 없습니다. 잡음이 있는 레이블을 사용하는 희귀 사건 탐지처럼 어려운 과제에서는 0.6도 우수할 수 있지만, 안전이 중요한 환경에서는 0.95도 부족할 수 있습니다.

정밀도와 재현율 간 차이가 의미하는 것

  • 낮은 정밀도, 상대적으로 높은 재현율: 모델이 대부분의 양성을 찾아내지만 많은 오경보를 발생시킵니다.
  • 낮은 재현율, 상대적으로 높은 정밀도: 모델의 양성 예측은 신뢰할 수 있지만, 실제 양성의 많은 부분을 놓칩니다.

같은 F1 값이라도 매우 다른 정밀도/재현율 조합에서 나올 수 있으므로, F1만 보지 말고 두 값을 모두 확인하세요.

유의해야 할 한계

  • F1은 참 음성을 무시하므로, 모델이 음성 클래스를 얼마나 잘 처리하는지는 알려주지 않습니다.
  • 클래스 균형에 따라 달라집니다. 같은 모델이라도 양성 비율이 다른 데이터셋에서는 다르게 점수가 매겨질 수 있습니다.
  • 결정 임곗값에 따라 달라집니다. 임곗값을 바꾸면 정밀도와 재현율이 상충하며 F1도 변합니다.
  • 점수가 실질적인 개선인지 판단하려면 항상 다수 클래스 예측기나 항상 양성으로 예측하는 모델, 또는 기존의 단순한 모델 같은 기준선(baseline)과 비교하세요.

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.

최종 업데이트:

수학 및 통계 인기 계산기

수학 및 통계 계산기 전체 보기