재현율 (Recall)

재현율(Recall)은 실제 양성인 항목 중 모델이 양성으로 찾아낸 항목의 비율을 나타내는 분류 평가 지표입니다. 탐지할 대상이 얼마나 빠졌는지 살필 때 쓰며 진양성률이라는 이름으로도 부릅니다. 계산의 기준은 모델이 골라낸 결과 수가 아니라 정답 레이블에 기록된 실제 양성 수이므로, 그 목록의 누락이나 오류도 평가 해석에 영향을 줍니다.

실제 양성과 놓친 사례

scikit-learn의 재현율 문서는 재현율을 TP/(TP+FN)으로 정의합니다. TP는 양성인 대상을 양성으로 맞힌 수이고, FN은 양성인 대상을 음성으로 놓친 수입니다. 두 수를 더하면 평가 데이터의 실제 양성 전체가 됩니다. 음성을 양성으로 잘못 고른 거짓양성은 이 분모에 들어가지 않습니다.

계산용 예시에서 불량 제품이 40개이고 검사 모델이 그중 32개를 불량으로 찾았다면 재현율은 32/40인 80%입니다. 놓친 불량은 8개이며 실제 불량 중 놓친 비율은 20%입니다. 정상 제품을 몇 개 불량으로 잘못 골랐는지는 이 수치만으로 알 수 없습니다. 재현율을 읽을 때 검사 모델이 찾으려는 양성 클래스가 무엇인지 먼저 고정합니다.

높은 검출률과 오탐의 부담

구글의 분류 지표 해설은 재현율을 진양성률로 설명하고, 정밀도는 모델이 양성으로 분류한 항목 중 실제 양성의 비율로 구분합니다. 모든 제품을 불량으로 판정하면 실제 불량이 존재하는 평가셋에서 재현율은 100%가 됩니다. 정상 제품까지 모두 재검토해야 하는 부담은 그 숫자에 드러나지 않습니다.

분류 점수가 기준을 넘으면 양성으로 정하는 모델에서는 임계값을 낮출수록 더 많은 항목을 선택합니다. 구글의 임계값 해설이 설명하듯 참양성과 거짓양성의 수가 함께 달라집니다. 같은 데이터와 점수를 유지한다면 기준을 낮춰 이미 찾은 양성을 잃지는 않지만, 추가로 고른 대상이 모두 양성인 것은 아닙니다. 운영 판단에는 정밀도와 재검토 물량도 필요합니다.

레이블과 평균 방식의 한계

재현율의 분모는 평가자가 양성으로 표시한 사례들입니다. 데이터 레이블링 과정에서 실제 불량을 정상으로 잘못 표시했다면, 그 사례를 놓친 모델도 평가에서는 미탐으로 집계되지 않습니다. 모델 평가 기록에 레이블 기준과 제외한 사례를 남기는 이유입니다. 표본에 드문 불량 유형이 거의 없다면 높은 재현율만으로 그 유형의 검출 능력까지 판단하기 어렵습니다.

여러 클래스를 평가할 때 scikit-learn의 재현율 문서는 클래스별 결과를 돌려주거나 macro·micro·weighted 방식으로 합치도록 합니다. macro는 클래스별 값을 같은 비중으로 평균하며, weighted는 실제 클래스별 표본 수를 반영합니다. 표본이 많은 클래스의 값이 전체 평균을 좌우할 수 있으므로, 놓치는 비용이 큰 클래스는 개별 재현율과 표본 수를 함께 살핍니다.

평가셋에 실제 양성이 하나도 없으면 TP+FN이 0이 되어 재현율을 정의할 수 없습니다. 이때 도구가 반환하는 기본값이나 zero_division 설정은 계산 처리 규칙입니다. 실제 양성이 있는 표본에서 측정한 점수와 같은 의미로 합치지 않습니다. 소수 표본에서는 한 건의 성공이나 실패가 비율을 크게 움직이므로, 보고서에는 분자와 분모도 남깁니다.