분류(Classification)의 개념과 모델 평가 지표 완전정복

분류(Classification)의 개념과 모델 평가 지표 완전정복

“정확도만 보면 되는 거 아냐?”
라고 생각하셨다면,
분류 평가 지표의 세계는 지금부터가 진짜입니다.

안녕하세요!
머신러닝을 배우다 보면 꼭 만나게 되는 것이 바로 ‘분류(Classification)’입니다.
특히 타이타닉 생존자 예측, 스팸 메일 필터링, 질병 유무 진단 등 현실 속의 다양한 문제들이 바로 이 분류 문제에 해당되죠.
그런데 모델을 만들었을 때, 단순히 ‘맞췄는가?’만 보는 건 좀 얕은 접근일 수 있어요.
정확도, 정밀도, 재현율, F1-score 같은 다양한 지표가 왜 중요한지, 초보자도 이해할 수 있도록 친절하게 풀어드릴게요.
Orange Data Mining 툴을 활용한 시각적 실습 예제도 함께 다룰 예정이니 기대해주세요!

목차

1. 분류(Classification)의 개념이란? 2. 분류 문제의 대표적인 사례들 🧠 3. 분류 모델은 어떻게 동작할까? 4. Orange에서의 분류 실습 예제 🍊 5. 정확도만 보면 안 되는 이유 🧐 6. 분류 평가 지표 총정리 (Accuracy, Precision, Recall, F1)

 

1. 분류(Classification)의 개념이란?

머신러닝을 처음 접하면 가장 많이 접하게 되는 문제 중 하나가 바로 분류(Classification)입니다.
간단히 말하면, 데이터를 정해진 카테고리(혹은 클래스)에 따라 자동으로 나누는 것이죠.
예를 들어
이메일이 스팸인지 아닌지 구분한다거나,
환자의 증상 데이터를 바탕으로 병이 있는지 없는지를 예측하는 것, 이 모든 것이 분류 문제입니다.

그런데 이걸 그냥 감으로 나누는 게 아니에요.
컴퓨터에게 수많은 예시(학습 데이터)를 보여주고, 이 예시들을 기반으로 어떤 패턴이나 규칙을 학습하게 만드는 것입니다.
이 과정을 통해 새로운 데이터가 들어왔을 때 어느 클래스에 속하는지를 예측하게 되죠.

🎯 분류는 어떤 상황에서 쓰일까?

• 의료 분야: CT 스캔 데이터를 통해 암 유무 진단
• 금융 분야: 신용카드 거래의 정상 여부 탐지
• 일상생활: SNS 글에서 감성(긍정/부정) 분류

🧩 분류와 회귀, 뭐가 다른 걸까?

많은 분들이 헷갈려하는 것 중 하나는 바로 ‘분류’와 ‘회귀’의 차이입니다.
아주 간단히 구분해볼게요.

구분	분류(Classification)	회귀(Regression)
출력값	카테고리(예: 긍정/부정)	연속값(예: 가격, 온도)
대표 예	스팸 메일 여부	아파트 매매 가격 예측
알고리즘	로지스틱 회귀, SVM, 의사결정나무 등	선형 회귀, 다항 회귀 등

정리하자면, 분류는 정답이 뚜렷한 카테고리 문제에 사용하는 거고, 회귀는 숫자 예측에 사용하는 거예요.

Orange에서도 분류 문제를 아주 쉽게 다룰 수 있도록 다양한 Classification 위젯을 제공하고 있어요.
이 부분은 뒤에서 실습 예제로도 보여드릴게요. 😊

 

2. 분류 문제의 대표적인 사례들 🧠

분류(Classification) 문제는 우리가 일상에서 자주 마주치는 데이터 분석 상황에 자주 등장해요.
단순히 '고양이 vs 강아지'처럼 보일 수도 있지만, 사실 알고 보면 인공지능이 가장 많이 활용되는 영역 중 하나랍니다.
여기서는 대표적인 사례들을 통해 어떤 상황에서 분류가 활용되는지 살펴볼게요.

📌 실생활에서의 분류 사례

• 스팸 메일 분류 : 이메일이 스팸인지 아닌지를 판단
• 의료 진단 : 환자가 특정 질병에 걸렸는지 여부를 예측 (예: 당뇨병 진단)
• 채용 자동 필터링 : 이력서를 분석해 적합한 지원자인지 자동 분류
• SNS 감정 분석 : 댓글이나 게시글이 긍정인지 부정인지 판단
• 이미지 분류 : 사진 속 동물이나 사물의 종류를 분류 (예: 고양이 vs 강아지)

📊 분류 결과가 왜 중요한가요?

예를 들어봅시다.
병원에서 환자가 암에 걸렸는지를 예측하는 모델이 있다고 가정할게요.
이 모델이 단순히 “정확도 95%”라고 해도, 그 안에 실제로 암 환자를 ‘정상’으로 판단해버린 경우가 있다면 큰일이겠죠?
이런 상황에서 정확도 외의 지표들이 얼마나 중요한지 다음 단계에서 알려드릴게요.

그래서 우리는 단순한 '정답률'만 보지 않고, 다양한 관점에서 분류 결과를 평가해야 합니다!

그리고 이 모든 걸 Orange Data Mining으로 시각적으로 확인할 수 있다는 사실, 알고 계셨나요? 🎨
다음 파트에서는 Orange로 직접 실습하는 예제를 통해 분류를 어떻게 구현하는지 보여드릴게요!

 

3. 분류 모델은 어떻게 동작할까?

분류(Classification) 모델이 데이터를 예측할 수 있는 비밀은 바로 '패턴 학습'에 있어요.
간단히 말해, 학습 데이터를 보고 어떤 데이터가 어떤 클래스에 속하는지 규칙을 찾아내는 거죠.
그러고 나서 새로운 데이터가 들어왔을 때 “어? 이건 이전에 봤던 패턴과 비슷하네!” 하며 자동으로 분류하는 구조입니다.

🔄 분류 모델의 기본 구조

1. 1단계: 입력 데이터 준비 – 특성과 레이블이 있는 학습 데이터를 준비합니다.
2. 2단계: 모델 학습 – 데이터를 바탕으로 분류 알고리즘이 규칙을 학습합니다.
3. 3단계: 예측 – 새로운 데이터에 대해 어떤 클래스인지 예측합니다.
4. 4단계: 평가 – 얼마나 정확히 맞췄는지 평가 지표로 확인합니다.

🧪 대표적인 분류 알고리즘

알고리즘	특징
로지스틱 회귀(Logistic Regression)	확률 기반의 이진 분류. 직선적 경계에 강함
의사결정나무(Decision Tree)	데이터를 조건문처럼 분기하며 분류. 해석이 쉬움
서포트 벡터 머신(SVM)	마진이 큰 최적 분류선을 찾아 분류
K-최근접 이웃(KNN)	가까운 데이터 포인트를 기준으로 분류
랜덤 포레스트(Random Forest)	여러 개의 결정 트리를 조합해 강력한 예측을 수행

각 알고리즘은 장단점이 있기 때문에, 실제로는 여러 모델을 실험해 보고 성능을 비교하는 것이 중요합니다.

그럼 다음 단계에서는 Orange를 활용해서 이 분류 과정을 실제로 어떻게 구성하는지, 시각적으로 어떻게 확인할 수 있는지를 실습 예제를 통해 알아볼게요! ✨

 

4. Orange에서의 분류 실습 예제 🍊

머신러닝을 공부하다 보면 “이거 직접 해볼 수는 없을까?”란 생각이 들죠?
Orange Data Mining을 활용하면 복잡한 프로그래밍 없이도 드래그 앤 드롭 방식으로 분류 실험을 해볼 수 있어요.

🛠 Orange에서 분류 워크플로우 만들기

1. File 위젯 – 학습할 데이터를 불러옵니다. (예: iris.tab, titanic.tab)
2. Data Table – 데이터를 눈으로 확인해볼 수 있어요.
3. Select Columns – 예측에 사용할 피처(속성)와 타깃(클래스)을 선택합니다.
4. Classification Algorithm – 분류 모델을 선택 (예: Logistic Regression, Decision Tree, Random Forest 등)
5. Test & Score – 교차 검증을 통해 모델 성능을 평가합니다.
6. Confusion Matrix – 예측 결과와 실제 결과를 비교해서 오분류를 확인합니다.

🌸 실습 예제: 타이타닉 생존자 예측

우리가 자주 접하는 Titanic 데이터셋을 이용해서 ‘이 승객이 생존했는가?’를 예측하는 실습을 해볼 수 있어요.
이 예제는 Orange로 분류 학습을 이해하기 딱 좋은 예제입니다.

• Survived : 생존 여부 (타깃 변수)
• Pclass, Sex, Age : 예측에 사용할 주요 특성들

간단한 연결만으로도 머신러닝 분류 모델을 만들고 평가할 수 있다는 게 Orange의 가장 큰 장점이죠!

📈 분류 모델 비교 실습

여러 모델을 한 번에 연결하고 Test & Score에서 정확도, AUC, F1-score를 비교해보세요.
의외로 단순한 모델이 좋은 결과를 낼 때도 있어요.

이제 분류 모델이 실제로 어떻게 구성되고 실행되는지 감이 오시죠? 😊
다음 파트에서는 “정확도만 보면 위험한 이유”에 대해 자세히 다뤄보겠습니다.

 

5. 정확도만 보면 안 되는 이유 🧐

처음 머신러닝을 배울 때 대부분은 정확도(Accuracy)를 가장 먼저 배우고, 그걸로 모델 성능을 평가하곤 합니다.
하지만... 여기엔 함정이 있어요.
정확도는 유용하긴 하지만, 데이터가 불균형할 때 치명적인 착시를 줄 수 있거든요.

📉 예시: 불균형 데이터의 함정

가령, 어떤 병의 환자가 전체 데이터에서 단 5%뿐이라고 해볼게요.
이때 모든 환자를 “정상”이라고 예측해도, 모델은 무려 95%의 정확도를 기록할 수 있어요.
하지만 실질적으로는 환자를 한 명도 찾지 못한 무용지물인 모델이죠.

🎯 정확도 외에 꼭 봐야 할 지표들

지표	설명	언제 중요할까?
정밀도 (Precision)	예측한 Positive 중 실제로도 Positive인 비율	스팸 필터처럼 잘못된 경고가 민감할 때
재현율 (Recall)	실제 Positive 중에서 맞게 예측한 비율	암 진단처럼 놓치면 안 되는 경우
F1-score	정밀도와 재현율의 조화 평균	정밀도와 재현율 모두 중요할 때

이 지표들을 함께 봐야 진짜로 좋은 모델인지 알 수 있어요.
한 눈에 성능을 비교할 수 있는 Confusion Matrix도 빼놓을 수 없고요!

🧠 Orange에서 지표 확인하기

• Test & Score 위젯 : 정확도, 정밀도, 재현율, F1-score 자동 계산
• Confusion Matrix 위젯 : 오분류 패턴 한 눈에 확인

모델 성능을 제대로 이해하고 싶은 분들이라면, 꼭 다양한 지표를 함께 확인해보세요. 👍
다음 파트에서는 이 모든 지표들이 어떻게 계산되는지를 수식 없이 쉽게 정리해드릴게요!

 

6. 분류 평가 지표 총정리 (Accuracy, Precision, Recall, F1)

이번엔 조금 더 구조적으로 분류 평가 지표들을 정리해볼게요.
정확도, 정밀도, 재현율, F1-score는 혼동하기 쉬운 개념이지만, 한 번만 정확히 이해하면 어떤 상황에서도 잘 사용할 수 있어요.

📌 혼동 행렬(Confusion Matrix)의 구성

	실제 Positive	실제 Negative
예측 Positive	TP (True Positive)	FP (False Positive)
예측 Negative	FN (False Negative)	TN (True Negative)

이 네 가지 값만 알면, 나머지 모든 지표는 다 계산할 수 있습니다!

📐 각 지표의 정의 및 해석

• 정확도 (Accuracy) = (TP + TN) / 전체 : 맞춘 비율. 전체 중 몇 개 맞췄냐를 의미해요.
• 정밀도 (Precision) = TP / (TP + FP) : 예측한 것 중 실제로 맞은 비율입니다.
• 재현율 (Recall) = TP / (TP + FN) : 실제인 것 중 예측에 성공한 비율이에요.
• F1-score = 2 × (Precision × Recall) / (Precision + Recall) : 정밀도와 재현율의 균형을 봅니다.

모든 지표는 상황에 따라 중요도가 달라져요.
의료처럼 놓치면 안 되는 경우에는 재현율이 중요하고, 스팸 필터처럼 틀린 예측이 민감한 경우는 정밀도가 더 중요하겠죠.

마지막으로 중요한 건, 어떤 지표를 선택하든 항상 비즈니스 목적과 현실 상황에 따라 맞춰야 한다는 점이에요!

이제 분류 모델과 평가 지표에 대한 전반적인 이해가 생기셨죠? 😊
이어지는 마무리 단계에서는 이 내용을 한 번 더 정리하고, 실전에서 어떻게 응용하면 좋을지 제안해 드릴게요!

 

🔚 분류 모델, 이제 감 잡히셨나요?

오늘은 머신러닝 중에서도 실전에서 가장 많이 쓰이는 분류(Classification)에 대해 핵심만 쏙쏙 정리해봤습니다.
분류의 개념부터 대표 알고리즘, Orange를 활용한 실습 방법, 그리고 정확도만으로는 부족한 이유까지!
이제 여러분은 단순히 모델을 “돌리는 것”을 넘어서 어떤 상황에서 어떤 지표를 봐야 하는지 고민할 수 있는 단계까지 오신 거예요.

앞으로 머신러닝 프로젝트를 하거나 데이터를 분석할 때, 꼭 정확도 외의 평가 지표들도 함께 챙겨보세요.
특히 Orange에서는 모든 지표와 결과를 시각적으로 쉽게 확인할 수 있으니, 실험과 비교도 부담 없이 시도할 수 있답니다.

초보자일수록 눈으로 보고 손으로 만지는 경험이 중요해요.
오늘 배운 분류 개념과 실습을 꼭 직접 따라해보시길 추천드립니다!
다음 글에서는 다양한 분류 알고리즘(의사결정나무, 랜덤 포레스트, SVM 등)에 대해 하나씩 파헤쳐보겠습니다. 😉