Recall

민감도(sensitivity) 또는 참 양성률(true positive rate)이라고도 알려진 재현율은 머신러닝의 핵심 성능 지표로, 데이터셋 내의 모든 관련 인스턴스를 식별하는 모델의 능력을 측정합니다. 객체 탐지 또는 분류 작업의 맥락에서 재현율은 구체적으로 "실제 양성 사례 중 모델이 올바르게 찾아낸 것은 얼마나 되는가?"라는 질문에 답합니다. 양성 인스턴스를 놓치는 것(종종 위음성, false negative라고 함)이 심각한 결과를 초래하는 시나리오에서는 높은 재현율을 달성하는 것이 매우 중요합니다. 데이터 불균형이 있을 때 오해의 소지가 있을 수 있는 정확도와 달리, 재현율은 대상 클래스를 '포착'하는 모델의 효과에 초점을 맞춘 관점을 제공합니다.

Link to this section높은 재현율의 중요성#

많은 인공지능 애플리케이션에서 객체 탐지에 실패할 때 발생하는 비용은 오경보 비용보다 훨씬 높습니다. 재현율에 최적화된 모델은 위음성을 최소화하여 시스템이 잠재적 위협, 이상 징후 또는 중요한 상황을 포착할 수 있도록 충분히 넓은 범위의 결과를 도출하게 합니다. 이는 종종 트레이드오프를 수반하는데, 재현율을 높이면 때때로 정밀도 점수가 낮아질 수 있으며, 이는 모델이 관련 없는 항목을 양성으로 더 많이 표시할 수 있음을 의미합니다. 이러한 균형을 이해하는 것은 강력한 머신러닝 솔루션을 개발하는 데 핵심입니다.

Link to this section실제 애플리케이션 사례#

재현율은 안전이 중요한 여러 AI 솔루션의 핵심 지표입니다. 다음은 민감도가 우선시되는 두 가지 주요 사례입니다:

• 의료 진단: 질병의 초기 징후를 찾기 위한 엑스레이 선별 검사와 같은 의료 영상 분석에서는 높은 재현율이 필수적입니다. 종양을 탐지하기 위해 의료용 AI 시스템을 사용할 경우, 시스템이 양성(위양성, false positive)으로 판명될 의심스러운 그림자를 표시하는 것이 악성 종양을 완전히 놓치는 것보다 훨씬 낫습니다. 의사들은 이러한 도구를 안전망으로 활용하여 잠재적인 건강 위험이 간과되지 않도록 합니다.
• 보안 및 감시: 보안 경보 시스템의 주요 목표는 모든 침입 시도를 탐지하는 것입니다. 높은 재현율에 최적화된 시스템은 사람이 제한 구역에 들어오면 경보가 울리도록 보장합니다. 이로 인해 야생 동물로 인한 간헐적인 오경보가 발생할 수 있지만, 이는 시스템이 실제 침입자를 탐지하지 못하는 것보다 훨씬 바람직합니다. 이러한 시나리오에서의 객체 탐지 모델은 잠재적 위협에 대한 최대 민감도를 보장하도록 튜닝됩니다.

Link to this section재현율 vs. 정밀도#

재현율과 그 대응 지표인 정밀도를 구분하는 것이 필수적입니다. 재현율이 발견된 관련 사례의 양(완전성)을 측정한다면, 정밀도는 양성 예측의 품질(정확성)을 측정합니다.

• 재현율: 놓친 탐지를 방지하는 데 초점을 둡니다. "모든 사과를 찾았는가?"
• 정밀도: 오경보를 최소화하는 데 초점을 둡니다. "사과라고 부른 모든 것들이 실제로 사과인가?"

이 두 지표는 종종 역의 관계를 공유하며, 정밀도-재현율 곡선을 통해 시각화됩니다. 이 둘 사이의 전반적인 균형을 평가하기 위해 개발자들은 종종 둘의 조화 평균인 F1-score를 살펴봅니다. 불균형 데이터셋에서는 혼동 행렬과 함께 재현율을 확인하는 것이 정확도만 보는 것보다 성능에 대해 훨씬 더 명확한 그림을 제공합니다.

Link to this sectionUltralytics YOLO로 재현율 측정하기#

최첨단 YOLO26과 같은 모델을 학습할 때, 재현율은 검증 단계에서 자동으로 계산됩니다. 이 프레임워크는 각 클래스에 대한 재현율과 평균 정밀도(mAP)를 계산하여, 모델이 객체를 얼마나 잘 찾는지 개발자가 파악할 수 있도록 돕습니다.

Python을 사용하여 학습된 모델을 쉽게 검증하고 재현율 지표를 확인할 수 있습니다. 다음 코드 스니펫은 모델을 로드하고 표준 데이터셋에서 성능을 확인하는 방법을 보여줍니다:

from ultralytics import YOLO

# Load a pretrained YOLO26 model
model = YOLO("yolo26n.pt")

# Validate the model on the COCO8 dataset
# The results object contains metrics like Precision, Recall, and mAP
metrics = model.val(data="coco8.yaml")

# Access and print the mean recall score for box detection
print(f"Mean Recall: {metrics.results_dict['metrics/recall(B)']:.4f}")

이 코드는 검증을 실행하기 위해 Ultralytics API를 활용합니다. 프로젝트 요구 사항보다 재현율이 낮다면, 데이터 증강 기법을 통해 더 다양한 학습 예제를 생성하거나 하이퍼파라미터 튜닝을 통해 모델의 민감도를 조정하는 것을 고려할 수 있습니다. Ultralytics Platform을 사용하면 데이터셋 관리 및 여러 학습 실행에 걸친 지표 추적 과정을 간소화할 수도 있습니다.

Link to this section모델 재현율 향상하기#

To boost a model's recall, data scientists often adjust the confidence threshold used during inference. Lowering the threshold makes the model more "optimistic," accepting more predictions as positive, which increases recall but may decrease precision. Additionally, collecting more diverse training data helps the model learn to recognize hard negatives and obscure instances. For complex tasks, employing advanced architectures like Transformer blocks or exploring ensemble methods can also improve the system's ability to detect subtle features that simpler models might miss.