머신러닝의 기초
2클래스 분류 모델의 평가에 사용하는 ROC 곡선과 AUC에 대한 설명으로 적절한 것은?
- A판정 임계값을 바꾸어 가며 가로축에 위양성률, 세로축에 진양성률을 잡아 그린 곡선으로, 그 아래 면적(AUC)이 1에 가까울수록 양성과 음성을 잘 구별할 수 있다
- B임계값을 하나로 고정했을 때의 정확도를 학습 횟수(에폭)마다 늘어놓아 그린 곡선으로, AUC는 그 곡선의 최댓값을 나타내며 클수록 학습이 빠르다
- CAUC가 0.5인 모델은 양성과 음성을 절반 이상의 확률로 올바르게 구별할 수 있으므로, 실용상 충분한 성능의 모델이라고 할 수 있다
정답과 해설 보기
정답: A. 판정 임계값을 바꾸어 가며 가로축에 위양성률, 세로축에 진양성률을 잡아 그린 곡선으로, 그 아래 면적(AUC)이 1에 가까울수록 양성과 음성을 잘 구별할 수 있다
ROC 곡선은 모델이 출력하는 점수에 대해 양성으로 판정하는 임계값을 움직이면서, 위양성률 FP ÷ (FP + TN)을 가로축, 진양성률 TP ÷ (TP + FN)을 세로축으로 잡아 그린 곡선입니다. AUC는 곡선 아래의 면적으로, 무작위로 고른 양성 예의 점수가 무작위로 고른 음성 예의 점수보다 높아질 확률과 같습니다. 완전히 구별할 수 있는 모델에서는 AUC가 1, 아무렇게나 판정하는 모델에서는 0.5입니다. 임계값을 정하기 전의 모델의 구별 능력을 비교할 수 있지만, 양성이 아주 적은 데이터에서는 정밀도와 재현율의 관계를 그린 PR 곡선 쪽이 차이를 알아보기 쉬운 경우도 있습니다.