빅데이터분석기사 필기, 정밀도와 재현율 완전 정복

정밀도랑 재현율... 공식은 외웠는데 문제만 나오면 분모가 뭐였는지 헷갈려요.

빅데이터분석기사 필기 4과목(빅데이터 결과 해석)에서 가장 많은 수험생이 무너지는 지점입니다. 개념 문제로도 나오고 계산 문제로도 나오는데, TP, FP, TN, FN 네 글자가 머릿속에서 뒤섞이면 손도 못 대고 넘어가게 됩니다.

그런데 이 파트는 한 번만 제대로 이해하면 그 뒤로는 절대 안 틀리는 영역이기도 합니다. 외울 게 많아 보이지만 실제로는 논리 구조가 단순하기 때문입니다. 오늘은 혼동행렬부터 F1 스코어, 그리고 시험 단골 함정인 '정확도의 착시'까지 한 번에 정리해보겠습니다.

1. 혼동행렬 — 네 글자의 정체부터 잡자

모든 평가지표는 혼동행렬(Confusion Matrix)이라는 2×2 표에서 나옵니다. 이 표만 제대로 읽으면 나머지는 자동으로 따라옵니다.

네 칸의 이름을 외우려 하지 말고, 글자를 쪼개서 읽으세요. 규칙은 딱 두 개입니다.

1. 앞글자(T/F): 예측이 맞았는가? T(True)면 맞춘 것, F(False)면 틀린 것
2. 뒷글자(P/N): 무엇이라고 예측했는가? P(Positive)면 양성이라 예측, N(Negative)면 음성이라 예측

이 규칙으로 읽으면 이렇게 됩니다. 핵심은 뒷글자가 곧 모델의 답이라는 점입니다. FN이 헷갈리는 이유가 여기 있습니다. FN은 음성(N)이라고 답했는데 틀렸다(F)는 뜻이므로, 실제로는 양성인 사람을 놓친 경우입니다. 이름에 N이 들어가서 실제 음성으로 착각하기 쉬운데, 그건 모델의 답이지 정답이 아닙니다.

표에서 대각선(TP, TN)이 맞춘 칸, 나머지 두 칸이 틀린 칸이라는 것도 시각적으로 기억해두면 편합니다.

2. 정밀도와 재현율 — 분모가 다르다

이제 본론입니다. 두 지표는 분자가 똑같이 TP인데, 분모가 다릅니다. 그 차이가 전부입니다.

정밀도(Precision) = TP / (TP + FP)

양성이라고 예측한 것들 중에서, 진짜 양성은 몇 개였나?

분모가 TP + FP인데, 이 둘의 공통점은 뒷글자가 P(양성이라 예측)라는 것입니다. 즉 모델이 양성이라 답한 전체가 분모입니다. 모델의 주장이 얼마나 믿을 만한지를 재는 지표죠.

정밀도를 올리려면 FP(헛다리)를 줄여야 합니다. 함부로 양성이라 외치지 않고 확실할 때만 답하는 신중한 모델이 정밀도가 높습니다.

재현율(Recall) = TP / (TP + FN)

실제 양성인 것들 중에서, 몇 개나 찾아냈나?

분모가 TP + FN인데, 이 둘의 공통점은 실제로 양성이라는 것입니다(TP는 양성을 맞춘 것, FN은 양성을 놓친 것). 즉 실제 양성 전체가 분모입니다. 놓치지 않고 얼마나 잘 잡아내는지를 재는 지표입니다.

재현율을 올리려면 FN(놓침)을 줄여야 합니다. 조금이라도 의심스러우면 다 양성이라 외치는 적극적인 모델이 재현율이 높습니다.

분모 구분하는 가장 빠른 방법

시험장에서 헷갈릴 때는 이렇게 떠올리세요.

1. 정밀도 = 예측 기준 → 세로줄(모델이 양성이라 한 것) 기준으로 계산
2. 재현율 = 실제 기준 → 가로줄(진짜 양성인 것) 기준으로 계산

정밀도는 "예측"에, 재현율은 "실제"에 대응한다고 짝지어 외우는 것도 방법입니다.

3. 어느 쪽이 중요한가는 상황이 결정한다

두 지표는 대체로 트레이드오프 관계입니다. 하나를 올리면 다른 하나가 떨어지는 경향이 있습니다. 그래서 "어느 지표가 더 좋은가"가 아니라 "이 문제에서는 무엇을 놓치면 안 되는가"로 판단해야 합니다.

1. 정밀도가 중요한 경우 — 스팸 메일 필터
2. 스팸을 조금 놓치는 건 참을 수 있습니다. 하지만 중요한 업무 메일이 스팸함으로 들어가면 큰 문제가 됩니다. 즉 FP(정상 메일을 스팸이라 오판)를 최소화해야 하므로 정밀도가 중요합니다.

1. 재현율이 중요한 경우 — 암 진단, 금융 사기 탐지
2. 건강한 사람을 한 번 더 검사하는 건 번거로울 뿐입니다. 하지만 실제 환자를 놓치면 생명이 위험해집니다. 즉 FN(환자를 놓침)을 최소화해야 하므로 재현율이 중요합니다.

시험에는 이 논리가 사례 문제로 자주 출제됩니다. "다음 중 재현율을 우선해야 하는 상황은?" 같은 문제가 나오면, 놓쳤을 때 치명적인가, 잘못 지목했을 때 치명적인가를 먼저 판단하세요.

4. F1 스코어 — 왜 산술평균이 아니라 조화평균인가

정밀도와 재현율을 하나로 합친 지표가 F1 스코어입니다.

여기서 자주 나오는 질문이 "왜 그냥 평균 내지 않고 이런 복잡한 식을 쓰나요?"입니다. 이유는 한쪽으로 치우친 모델을 걸러내기 위해서입니다. 정밀도 0.9, 재현율 0.1인 모델을 생각해봅시다.

1. 산술평균: (0.9 + 0.1) / 2 = 0.5 → 그럭저럭 괜찮아 보임
2. 조화평균(F1): 2 × (0.9 × 0.1) / (0.9 + 0.1) = 0.18 → 형편없다고 정확히 알려줌

이 모델은 양성이라 답할 때는 정확하지만 실제 양성의 90%를 놓치고 있으므로 실제로는 쓸모가 없습니다. 조화평균은 두 값 중 작은 쪽에 더 민감하게 반응하기 때문에 이런 불균형을 잡아냅니다. 시험에 "F1 스코어는 정밀도와 재현율의 조화평균이다"라는 문장이 나오면 옳은 보기입니다.

5. 시험 단골 함정 — 정확도만 보면 안 되는 이유

정확도(Accuracy) = (TP + TN) / 전체는 가장 직관적인 지표입니다. 그런데 빅분기 시험은 이 지표의 함정을 아주 좋아합니다.

불량품 1개, 정상품 99개가 있는 공장을 생각해봅시다. 여기서 아무 생각 없이 전부 정상이라고만 답하는 모델을 만들면 어떻게 될까요?

1. 정확도: 99개를 맞췄으니 99%
2. 재현율: 불량품을 하나도 못 잡았으니 0%

정확도만 보면 훌륭한 모델처럼 보이지만, 실제로는 불량품 검출이라는 목적을 전혀 달성하지 못한 쓸모없는 모델입니다. 반면 불량품 1개를 정확히 잡아내면서 정상품 4개를 잘못 걸러낸 모델은 정확도가 96%로 낮아지지만, 재현율은 100%로 목적에 훨씬 부합합니다.

그래서 시험에는 이런 문장들이 반복해서 등장합니다.

1. ✅ 클래스 불균형이 심한 데이터에서는 정확도가 모델 성능을 왜곡할 수 있다 → 옳은 보기
2. ❌ 정확도가 높으면 항상 좋은 모델이다 → 틀린 보기
3. ✅ 불균형 데이터에서는 F1 스코어나 AUC 같은 지표를 함께 봐야 한다 → 옳은 보기

6. 실전 계산 — 이 문제 풀리나요?

어떤 분류 모델의 예측 결과가 다음과 같다.

Q. TP = 80, FN = 20, FP = 30, TN = 870일 때 정확도, 정밀도, 재현율, F1 스코어를 각각 구하시오.

하나씩 차근차근 계산해봅시다. 전체 데이터 수는 80 + 20 + 30 + 870 = 1,000개입니다.

1. 정확도 = (TP + TN) / 전체 = (80 + 870) / 1,000 = 0.95 (95%)
2. 정밀도 = TP / (TP + FP) = 80 / (80 + 30) = 80 / 110 ≈ 0.727 (72.7%) → 양성이라 예측한 110건 중 실제 양성은 80건
3. 재현율 = TP / (TP + FN) = 80 / (80 + 20) = 80 / 100 = 0.8 (80%) → 실제 양성 100건 중 80건을 찾아냄
4. F1 스코어 = 2 × (0.727 × 0.8) / (0.727 + 0.8) ≈ 0.762 (76.2%)

여기서 눈여겨볼 점이 있습니다. 정확도는 95%로 매우 높지만, 정밀도와 재현율은 70~80% 수준입니다. TN이 870건으로 압도적으로 많기 때문에 정확도가 부풀려진 것입니다. 앞에서 다룬 '정확도의 함정'이 실제 숫자로 드러나는 사례죠.

이 계산이 막힘없이 나왔다면 4과목 평가지표는 잡힌 겁니다. 아직 헷갈린다면, 혼동행렬 2×2를 먼저 그려놓고 숫자를 채운 뒤 계산하는 습관을 들이세요. 머릿속으로만 하면 반드시 분모가 뒤집힙니다.

7. 기억할 핵심 문장

1. 앞글자 T/F는 맞았는지, 뒷글자 P/N은 모델의 답이다
2. 정밀도는 예측 기준, 재현율은 실제 기준으로 분모가 갈린다
3. 불균형 데이터에서 정확도는 거짓말을 한다

평가지표를 문제로 굳히고 싶다면?

『빠르게 따는 빅데이터분석기사』 필기서에서는 오늘 다룬 혼동행렬·정밀도·재현율·F1뿐 아니라, ROC 곡선과 AUC, 그리고 회귀 모델 평가지표(MSE, RMSE, MAE)까지 이어지는 4과목 전체 흐름을 그림과 기출변형 문제로 함께 다룹니다. 해설은 정답의 이유뿐 아니라 나머지 보기가 왜 틀렸는지까지 '오답 노트' 방식으로 풀어냈습니다.

책 없이도 지금 바로 실력을 점검하고 싶다면, 골든래빗 CBT에서 빅데이터분석기사 기출변형 문제를 실제 시험과 같은 화면으로 풀어볼 수 있습니다.

🖥️ 골든래빗 CBT에서 빅데이터분석기사 문제 풀어보기

📅 2026 빅데이터분석기사 시험 일정 확인하기

📘 『빠르게 따는 빅데이터분석기사』 자세히 보기

공부하다 막히는 부분은 빠따 빅데이터분석기사 공식 카카오톡 질문방에서 저자에게 직접 물어볼 수 있습니다.