재현율(Recall)

민감도 또는 참 양성률이라고도 하는 재현율은 머신러닝(ML) 및 통계에서 기본적인 평가 지표입니다. 이는 데이터 세트 내에서 모든 관련 인스턴스를 올바르게 식별하는 모델의 능력을 측정합니다. 간단히 말해서, 재현율은 "실제 양성 인스턴스 중에서 모델이 양성으로 올바르게 예측한 횟수는 얼마입니까?"라는 질문에 대한 답입니다. 높은 재현율 점수는 모델이 찾아야 할 대상을 효과적으로 찾고 놓치는 양성 사례(거짓 음성)의 수를 최소화한다는 것을 나타냅니다. 이 지표는 양성 사례를 감지하지 못할 경우 심각한 결과를 초래하는 애플리케이션에서 특히 중요합니다.

높은 재현율의 중요성

많은 실제 시나리오에서 거짓 음성(탐지 누락)의 비용은 거짓 양성(오경보)의 비용보다 훨씬 높습니다. 이럴 때 높은 재현율을 우선시하는 것이 필수적입니다. 예를 들어, 의료 영상 분석 또는 사기 탐지와 같은 작업에서 높은 재현율 모델은 일부 비 사례가 잘못 플래그되더라도 추가 검토를 위해 가능한 한 많은 실제 사례를 캡처하도록 보장합니다.

• 의료 진단: 의료 스캔에서 암을 감지하기 위한 AI 기반 시스템에서 높은 재현율 모델이 중요합니다. 생명을 구하는 치료를 지연시킬 수 있는 암 종양(거짓 음성)을 놓치는 것보다 방사선 전문의의 검토를 위해 건강한 환자를 시스템에서 플래그하는 것이 훨씬 낫습니다(거짓 양성). 많은 헬스케어 AI 솔루션은 높은 민감도에 최적화되어 있습니다.
• 보안 및 감시: 침입자를 감지하도록 설계된 보안 경보 시스템의 경우 높은 재현율이 가장 중요합니다. 이 시스템은 길 잃은 동물을 침입자로 오인하더라도 잠재적인 모든 위협을 식별해야 합니다. 실제 보안 침해를 놓치면 시스템이 효과가 없어집니다.

Ultralytics YOLO 모델의 재현율

컴퓨터 비전(CV) 및 Ultralytics YOLO와 같은 모델 환경에서 재현율은 객체 탐지 및 인스턴스 분할과 같은 작업의 성능을 평가하기 위해 정확도 및 평균 정밀도(mAP)와 함께 사용되는 핵심 지표입니다. 강력한 실제 성능을 위해서는 재현율과 정확도 간의 균형을 잘 맞추는 것이 중요합니다. 예를 들어 YOLOv8과 YOLO11을 비교할 때 재현율은 각 모델이 모든 대상 객체를 얼마나 잘 식별하는지 이해하는 데 도움이 됩니다. 사용자는 PyTorch 또는 TensorFlow와 같은 프레임워크를 사용하여 사용자 지정 모델을 훈련하고 Weights & Biases 또는 Ultralytics HUB의 통합 기능을 사용하여 재현율을 추적할 수 있습니다. 재현율을 이해하면 특정 사용 사례에 맞게 모델을 최적화하는 데 도움이 되며, 하이퍼파라미터 튜닝 또는 YOLOv10 또는 최신 YOLO11과 같은 다양한 모델 아키텍처를 탐색할 수 있습니다. Ultralytics 문서와 같은 리소스는 훈련 및 평가에 대한 포괄적인 가이드를 제공합니다.

재현율 vs. 기타 지표

재현율을 다른 일반적인 평가 지표와 구별하는 것이 중요합니다.

• 정밀도: 재현율이 모든 긍정적 샘플을 찾는 데 중점을 두는 반면, 정밀도는 이루어진 긍정적 예측의 정확도를 측정합니다. 이는 "모델이 긍정적이라고 예측한 모든 인스턴스 중에서 실제로 긍정적인 인스턴스는 몇 개입니까?"라는 질문에 답합니다. 정밀도와 재현율 사이에는 종종 상충 관계가 있습니다. 하나를 늘리면 다른 하나가 줄어들 수 있습니다. 이 개념을 정밀도-재현율 상충 관계라고 합니다.
• 정확도(Accuracy): 전체 예측 중 올바른 예측(긍정 및 부정)의 비율을 측정합니다. 정확도는 한 클래스가 다른 클래스보다 훨씬 많은 불균형 데이터 세트의 경우 오해의 소지가 있는 지표가 될 수 있습니다. 예를 들어, 99%의 부정 샘플이 있는 데이터 세트에서 모든 것을 부정으로 예측하는 모델은 99%의 정확도를 달성하지만 긍정 클래스에 대한 재현율은 0입니다.
• F1-점수(F1-Score): 이는 정밀도와 재현율의 조화 평균입니다. F1-점수는 두 메트릭의 균형을 맞추는 단일 숫자를 제공하므로 거짓 양성과 거짓 음성을 모두 고려해야 할 때 유용한 측정값입니다. 클래스 분포가 고르지 않을 때 자주 사용됩니다.
• AUC(Area Under the Curve): 특히 이진 분류의 경우, ROC(Receiver Operating Characteristic) 곡선은 거짓 긍정 비율에 대한 참 긍정 비율(재현율)을 나타냅니다. AUC는 모든 분류 임계값에서 모델의 성능을 요약하는 단일 점수를 제공합니다. Precision-Recall 곡선 아래 영역(AUC-PR)은 불균형 분류 작업에 더 유용한 경우가 많습니다.