정확도는 머신러닝(ML) 분야, 특히 분류 및 객체 감지와 관련된 작업에서 중요한 지표입니다. 정확도는 모델에 의한 긍정적인 예측의 정확도를 정량화합니다. 간단히 말해, 양성으로 식별된 항목 중 얼마나 많은 항목이 실제로 관련성이 있는지를 측정합니다. 정확도는 오탐으로 인한 비용이 높은 시나리오에서 특히 중요합니다. 예를 들어, 의료 진단에서는 오탐이 발생하면 불필요한 치료로 이어질 수 있으므로 높은 정확도가 필수적입니다.
정확도는 ML 모델의 효율성을 평가하는 핵심 성과 지표입니다. 정밀도가 높은 모델은 오탐 오류가 거의 발생하지 않으므로, 무언가를 양성으로 예측할 때 정확할 가능성이 매우 높습니다. 이는 정확한 양성 예측이 중요한 의료 분야의 AI와 같은 애플리케이션에서 특히 유용합니다. 예를 들어 종양 탐지의 경우, 정밀도가 높은 모델은 탐지된 종양 대부분이 실제로 악성 종양인지 확인하여 잘못된 경보와 불필요한 개입의 가능성을 줄여줍니다. 정밀도가 환자 치료를 개선하는 데 중요한 역할을 하는 병원에서Ultralytics YOLO 의 적용 사례에 대해 자세히 알아보세요.
정밀도는 ML 내 다양한 영역과 작업에서 사용됩니다:
정확도는 긍정적인 예측의 정확도에 초점을 맞추는 반면, 회수율은 모델에서 정확하게 식별한 실제 긍정적인 항목의 비율을 측정합니다. 두 지표 모두 필수적이지만 종종 상충되는 측면이 있습니다. 정확도를 높이면 리콜률이 낮아질 수 있고 그 반대의 경우도 마찬가지입니다. 예를 들어, 스팸 탐지 시스템에서 이메일을 스팸으로 분류하는 임계값을 높이면 정확도는 향상되지만(스팸으로 표시되는 정상적인 이메일이 줄어듦), 회수율은 낮아질 수 있습니다(스팸 이메일이 더 많이 통과됨). 이러한 지표가 모델 평가에 어떻게 사용되는지에 대한 자세한 내용은 YOLO 성능 지표 가이드를 참조하세요.
ML 모델의 정밀도를 높이기 위해 여러 가지 기술을 사용할 수 있습니다:
모델 최적화에 대한 자세한 내용은 모델 트레이닝 팁에 대한 종합 가이드를 참조하세요. 또한 Ultralytics 문서에서는 F1 점수 및 평균 정밀도(mAP)와 같은 기타 성능 지표에 대한 자세한 설명을 비롯하여 모델 훈련 및 평가의 다양한 측면에 대한 광범위한 리소스를 제공합니다. 또한 Ultralytics YOLO 페이지에서 고급 객체 감지 모델에 대한 자세한 내용을 살펴볼 수도 있습니다.
.png)