Accuracy

정확도는 인공지능 시스템 평가에서 기본적인 벤치마크로 사용되며, 모델이 수행한 전체 예측 중 올바른 예측의 비율을 정량화합니다. 머신 러닝, 특히 지도 학습의 맥락에서 이 지표는 학습 과정에서 제공된 실측값에 알고리즘이 얼마나 효과적으로 부합하는지에 대한 개괄적인 현황을 보여줍니다. 정확도는 성능을 직관적으로 측정하는 지표로서 "모델이 얼마나 자주 정답을 맞히는가?"라는 간단한 질문에 답하지만, 개발자가 더 세부적인 지표를 살펴보기 전에 시스템의 신뢰성을 나타내는 주요 지표로 활용됩니다.

성능 평가의 미묘한 차이#

정확도는 훌륭한 출발점이지만, 모든 클래스가 동일하게 나타나는 균형 잡힌 학습 데이터에 적용할 때 가장 효과적입니다. 예를 들어 고양이와 개를 구분하는 표준 이미지 분류 작업에서 데이터셋에 각각 500개의 이미지가 포함되어 있다면 정확도는 신뢰할 수 있는 지표입니다. 그러나 불균형 데이터셋에서는 문제가 발생하며, 이는 "정확도 역설"로 이어집니다.

거래 중 사기 거래가 1%에 불과한 사기 탐지 작업에 모델을 학습시킨다고 가정하겠습니다. 모든 거래를 단순히 "정상"으로 예측하는 모델은 의도한 작업에는 완전히 실패하면서도 99%의 정확도를 달성할 수 있습니다. 이를 완화하기 위해 엔지니어는 Ultralytics Platform을 사용하여 데이터셋 분포를 시각화하고, 모델이 다수 클래스를 단순히 암기하고 있지 않은지 확인하는 경우가 많습니다.

정확도와 관련 용어의 구분#

모델 성능을 완전히 이해하려면 정확도와 유사한 지표를 구분하는 것이 중요합니다.

• 정밀도: 양성 예측의 품질을 측정합니다. "양성으로 예측된 모든 사례 중 실제로 양성인 사례는 몇 개인가?"라는 질문에 답합니다.
• 재현율: 민감도라고도 하며, 모든 관련 사례를 찾아내는 모델의 능력을 측정합니다. "실제 양성인 모든 사례 중 모델이 정확하게 식별한 사례는 몇 개인가?"라는 질문에 답합니다.
• F1 점수: 정밀도와 재현율의 조화 평균으로, 두 지표 사이의 균형을 반영하는 단일 점수를 제공합니다. 특히 클래스 분포가 불균등할 때 유용합니다.

정확도가 전체적인 정답률을 보여주는 반면, 정밀도와 재현율은 거짓 양성 또는 거짓 음성과 같은 특정 유형의 오류에 대한 인사이트를 제공합니다.

실제 적용 사례#

정확도는 다양한 산업 분야에서 활용되며, 중요한 환경에서 컴퓨터 비전 및 예측 모델의 신뢰성을 검증합니다.

• 의료 진단: 의료 영상 분석 분야에서는 X선 또는 MRI 스캔을 분류하는 데 모델을 사용합니다. 스캔을 "정상" 또는 "병리적"으로 분류하는 모델은 환자가 정확한 진단을 받을 수 있도록 높은 정확도를 필요로 합니다. 헬스케어 분야의 AI 혁신은 자동화된 오류를 최소화하기 위한 엄격한 검증에 크게 의존합니다.
• 제조 품질 관리: 스마트 제조의 자동화 시스템은 육안 검사를 사용하여 조립 라인의 결함을 식별합니다. 높은 정확도는 결함이 없는 제품만 출하되도록 하여 폐기물과 보증 비용을 줄입니다. 공장은 객체 탐지를 사용하여 결함을 찾아내고 생산 표준을 자동으로 유지합니다.

코드에서 정확도 측정하기#

Python을 사용하는 실제 시나리오에서 개발자는 검증된 라이브러리를 사용하여 모델의 정확도를 쉽게 측정할 수 있습니다. 다음 예제에서는 YOLO26 분류 모델을 검증하여 top-1 정확도를 얻는 방법을 보여줍니다. top-1 정확도는 모델의 최고 확률 예측이 올바른 레이블과 일치하는 빈도를 의미합니다.

from ultralytics import YOLO

# Load a pre-trained YOLO26 classification model
model = YOLO("yolo26n-cls.pt")

# Validate the model on a standard dataset (e.g., MNIST)
metrics = model.val(data="mnist")

# Print the Top-1 Accuracy
print(f"Top-1 Accuracy: {metrics.top1:.4f}")

개선을 위한 전략#

모델의 정확도가 낮을 때는 여러 기법을 사용하여 성능을 향상할 수 있습니다. 엔지니어는 데이터 증강을 사용하여 학습 세트의 다양성을 인위적으로 높이고 모델의 과적합을 방지하는 경우가 많습니다. 또한 하이퍼파라미터 튜닝을 통해 학습률과 같은 설정을 조정하면 수렴에 큰 영향을 줄 수 있습니다. 복잡한 작업에서는 전이 학습을 통해 모델이 대규모 사전 학습 데이터셋(예: ImageNet)의 지식을 활용하도록 하여 더 작고 구체적인 데이터셋에서 더 높은 정확도를 달성할 수 있습니다.