홍라이프 계산기F-베타 점수 계산기 쉽게 이해하기 — 개념과 원리
F-베타 점수는 정밀도와 재현율을 하나의 값으로 합치되, 둘 중 어느 쪽을 얼마나 더 중요하게 볼지 정할 수 있게 만든 지표입니다. 놓치는 오류(거짓음성)와 잘못 잡는 오류(거짓양성)의 비용이 다를 때 분류기, 검색 시스템, 탐지 모델을 비교하는 데 씁니다. 놓치는 것이 더 나쁘면 β = 2, 잘못된 경보가 더 나쁘면 β = 0.5, 둘을 똑같이 보면 β = 1(F1 점수)을 씁니다.
계산 방법
F_β = (1 + β²) × P × R ÷ (β² × P + R)
- P는 정밀도, R은 재현율이며 모두 백분율로 입력하므로 결과도 0~100 범위입니다.
- β는 0 이상의 가중치입니다. β = 1이면 F1 = 2PR ÷ (P + R)입니다.
- β = 0이면 정밀도와 같아지고, β가 아주 커지면 재현율에 가까워집니다.
원리
F_β는 정밀도와 재현율의 가중 조화평균입니다. 조화평균은 작은 값에 크게 끌리기 때문에, 한쪽만 뛰어나고 다른 쪽이 나쁜 모델은 높은 점수를 받을 수 없습니다. 반 레이스베르겐(van Rijsbergen)은 정보 검색의 효과성 함수에서 이 척도를 이끌어 냈으며, 재현율을 정밀도보다 β배 중요하게 여기는 사용자의 판단이 반영되도록 가중치를 정했습니다. 실제로는 β를 키우면 점수가 재현율 쪽으로, 줄이면 정밀도 쪽으로 움직입니다.
예제 풀이
- 입력값: P = 80, R = 60, β = 2이므로 β² = 4입니다.
- 분자: (1 + 4) × 80 × 60 = 24,000입니다.
- 분모: 4 × 80 + 60 = 380입니다.
- F₂ = 24,000 ÷ 380 = 63.16입니다.
같은 모델의 F1은 68.57, F0.5는 75입니다. β = 2는 재현율을 중시하는데 재현율(60)이 더 약한 값이므로 F₂가 60 쪽으로 내려옵니다.
| 재현율 (%) | F-베타 |
|---|---|
| 15 | 17.91044776 |
| 30 | 34.28571429 |
| 45 | 49.31506849 |
| 60 | 63.15789474 |
| 75 | 75.94936709 |
| 90 | 87.80487805 |
| 120 | 109.0909091 |
결과 해석
F_β는 항상 P와 R 중 작은 값과 큰 값 사이에 있습니다. β를 바꿀 때 점수가 크게 달라진다면 정밀도와 재현율의 차이가 크다는 뜻이므로 두 값을 직접 함께 보아야 합니다. 비교할 때는 β, 양성 클래스, 시험 데이터가 모두 같아야 합니다.
흔한 실수
- 정밀도는 0.8처럼 소수로, 재현율은 60처럼 백분율로 섞어 넣는 경우
- 어떤 오류가 더 비싼지 따져 보지 않고 관습적으로 β = 2를 쓰는 경우
- 분모를 β² × R로 잘못 써서 가중 방향이 뒤바뀌는 경우
자주 묻는 질문
β = 2는 재현율을 두 배 중요하게 본다는 뜻인가요?
반 레이스베르겐의 정의에서 β는 재현율과 정밀도의 상대적 중요도 비율이고, 공식에서는 이를 제곱해 씁니다.
F0.5는 언제 쓰나요?
정상 거래를 사기로 잡거나 엉뚱한 검색 결과를 보여 주는 것처럼 거짓양성의 비용이 클 때 씁니다.
여러 클래스의 F-베타는 어떻게 평균하나요?
클래스별 점수를 평균하는 매크로 평균과 전체 개수를 합쳐 계산하는 마이크로 평균이 있으며, 어느 방식을 썼는지 밝혀야 합니다.
출처: C. J. van Rijsbergen, Information Retrieval, 2nd ed., Butterworths, 1979 · C. D. Manning, P. Raghavan and H. Schütze, Introduction to Information Retrieval, Cambridge University Press, 2008