정밀도

정밀도 이해

정확도는 특히 모델의 긍정적인 예측에 초점을 맞춥니다. 정확도는 진양성(올바르게 식별된 양성 사례)의 수를 진양성과 오양성(양성으로 잘못 식별된 사례)의 합으로 나누어 계산합니다. 정확도 점수가 높을수록 오탐 오류가 매우 적다는 의미로, 모델이 양성 결과를 예측할 때 정확할 가능성이 높다는 것을 의미합니다. 이 지표는 오탐으로 인한 비용이 높은 애플리케이션에서 매우 중요합니다. 예를 들어, 스팸 이메일 탐지에서는 정확도가 높으면 중요한 이메일이 스팸으로 잘못 분류될 가능성이 줄어듭니다.

정밀도 대 리콜 및 정확도

정확도는 종종 회수율 (민감도라고도 함)과 함께 논의됩니다. 정확도는 양성 예측의 정확도를 측정하는 반면, 회수율은 실제 양성 사례를 모두 식별하는 모델의 능력을 측정합니다(정양성 / (정양성 + 오탐)). 정확도와 회상률 사이에는 종종 상충 관계가 있으며, 하나를 개선하면 다른 하나가 저하될 수 있습니다. 이 관계는 정확도-회상률 곡선을 사용하여 시각화할 수 있습니다.

정확도와 정밀도를 구별하는 것도 중요합니다. 정확도는 모든 클래스(긍정 및 부정 모두)에 걸쳐 모델의 전반적인 정확도를 측정하는 반면, 정밀도는 긍정 예측의 정확도에만 초점을 맞춥니다. 클래스가 불균형한 데이터 세트에서 정확도는 오해의 소지가 있는 반면, 정밀도는 긍정적인 클래스와 관련된 성능에 대한 보다 구체적인 인사이트를 제공합니다. F1 점수는 정확도와 재인용도 사이의 균형을 제공합니다.

AI 및 ML 분야의 애플리케이션

정확도는 다양한 AI 애플리케이션에서 중요한 지표입니다:

• 의료 진단: 질병을 감지하도록 설계된 시스템(의료 분야의 AI)에서는 높은 정밀도가 필수적입니다. 오탐(건강한 환자를 질병으로 진단하는 것)은 불필요한 스트레스와 비용, 잠재적으로 해로운 치료로 이어질 수 있습니다. 의료 영상에서 종양 감지와 같은 작업에 사용되는 모델은 높은 정밀도를 위해 노력합니다.
• 사기 탐지: 금융분야(금융의 컴퓨터 비전 모델)에서 합법적인 거래를 사기 거래로 표시하면(오탐) 고객에게 불편을 초래하고 신뢰가 손상될 수 있습니다. 높은 정밀도는 이러한 상황을 최소화합니다.
• 객체 감지: 다음과 같은 모델을 사용하는 객체 감지 작업에서 Ultralytics YOLO와 같은 모델을 사용하는 물체 감지 작업에서 정밀도는 표준 벤치마크인 평균 정밀도(mAP ) 계산의 일부입니다. 이는 경계 상자 내에서 식별된 감지된 객체가 올바르게 분류되도록 보장합니다. 높은 정밀도를 달성하는 것은 다음과 같은 강력한 탐지 모델을 개발하는 데 있어 핵심적인 목표입니다. YOLO11와 같은 강력한 탐지 모델을 개발하는 핵심 목표이며, 속도 및 리콜YOLO 성능 지표)과 균형을 맞추는 것입니다.
• 정보 검색: 검색 엔진은 사용자의 검색어와 연관성이 높은 상위 결과를 표시하기 위해 높은 정확도를 목표로 합니다(시맨틱 검색).

정확도를 이해하고 최적화하면 개발자는 특히 오탐을 최소화하는 것이 가장 중요한 경우 특정 요구 사항에 맞게 모델 성능을 조정할 수 있습니다. 사용자가 모델을 훈련하고 평가하는 데 도움이 되는 도구는 개발 주기 동안 정확도와 같은 메트릭을 추적할 수 있는 Ultralytics HUB입니다.