문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

정답은 1번입니다.

F1-score는 데이터가 불균형한 상황에서도 모형의 성능을 하나의 숫자로 안정적으로 평가하기 위해 널리 사용됩니다. 이를 계산하기 위해서는 실제값과 예측값이 모두 True인 정답(TP), 실제는 False인데 True로 잘못 예측한 오답(FP), 실제는 True인데 False로 잘못 예측한 오답(FN)의 수치를 정확히 파악하는 것이 정답을 찾는 기준이 됩니다.

1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.
: 주어진 혼동행렬 표를 바탕으로 두 모형의 F1-score를 도출한 결과와 정확히 일치합니다. 모형 A의 정밀도와 재현율을 구하여 조화평균을 내면 2/3이 산출되며, 모형 B의 정밀도와 재현율을 구하여 조화평균을 내면 24/35가 도출됩니다. 두 분수의 크기를 비교해 보면 2/3는 약 0.667이고 24/35는 약 0.686이므로 모형 B의 수치가 더 큽니다. 올바른 수치 계산과 타당한 비교 결과를 제시하고 있습니다.

2. 모형 A의 F1-score는 3/4, 모형 B의 F1-score는 2/3이므로 모형 A가 더 높다.
: 모형 A의 F1-score로 제시된 3/4는 F1-score가 아니라 모형 A의 정밀도 값입니다. 또한 모형 B의 F1-score로 제시된 2/3 역시 실제 계산 결과와 다릅니다. 평가 지표의 공식을 잘못 적용하고 모형의 성능 우위도 반대로 판정한 오답입니다.

3. 모형 A와 B의 F1-score는 모두 2/3으로 동일하다.
: 두 모형의 재현율은 3/5로 서로 동일하게 나타나지만, 정밀도는 모형 A가 3/4, 모형 B가 4/5로 명확한 차이가 존재합니다. 정밀도와 재현율을 모두 결합하는 F1-score의 계산 결과 역시 서로 다르게 도출되므로, 값이 같다는 설명은 옳지 않습니다.

4. 모형 B는 FP가 작으므로 F1-score 계산에서 FN은 고려하지 않는다.
: F1-score는 정밀도와 재현율의 조화평균입니다. 정밀도는 계산 과정에서 수식의 분모에 FP(False Positive)를 포함하고, 재현율은 계산 과정에서 수식의 분모에 FN(False Negative)을 필수적으로 포함합니다. 특정 오답 유형(FP)의 수치가 작다는 이유만으로 다른 오답 유형(FN)을 수식에서 무시하거나 제외하는 것은 F1-score의 수학적 정의에 어긋나므로 부적절한 설명입니다.

F1-score는 정밀도와 재현율의 조화평균으로, 두 지표를 모두 고려하여 분류 모델의 성능을 평가합니다. 문제의 모형 A와 B의 혼동 행렬에서 TP, FP, FN 값을 이용해 각각 정밀도와 재현율을 계산한 후 F1-score를 구하면, 모형 A는 2/3, 모형 B는 24/35로 모형 B가 더 높습니다. 따라서 정답은 1번입니다. 나머지 선지들은 F1-score 계산 결과와 개념에 맞지 않아 오답입니다.

따라서 정답은 '1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.' 입니다.

1. 선택

키워드

해설

F1-score는 분류모형의 정밀도(Precision)와 재현율(Recall)의 조화평균으로, 두 값이 모두 높을 때 좋은 성능을 나타냅니다. 정밀도는 $$\frac{TP}{TP + FP}$$, 재현율은 $$\frac{TP}{TP + FN}$$으로 계산합니다. F1-score는 $$2 \times \frac{Precision \times Recall}{Precision + Recall}$$입니다. 모형 A와 B의 혼동행렬에서 TP, FP, FN 값을 이용해 각각 F1-score를 계산한 후 비교해야 합니다. FP가 작다고 해서 FN을 고려하지 않는 것은 잘못된 계산 방법입니다. 따라서 각 모형의 F1-score를 정확히 계산하여 비교하는 것이 중요합니다.

1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.
모형 A의 F1-score를 계산하면 정밀도는 $$\frac{30}{30+10} = \frac{30}{40} = 0.75$$, 재현율은 $$\frac{30}{30+20} = \frac{30}{50} = 0.6$$입니다. 따라서 F1-score는 $$2 \times \frac{0.75 \times 0.6}{0.75 + 0.6} = 2 \times \frac{0.45}{1.35} = \frac{2}{3}$$입니다. 모형 B의 정밀도는 $$\frac{24}{24+6} = \frac{24}{30} = 0.8$$, 재현율은 $$\frac{24}{24+16} = \frac{24}{40} = 0.6$$이므로 F1-score는 $$2 \times \frac{0.8 \times 0.6}{0.8 + 0.6} = 2 \times \frac{0.48}{1.4} = \frac{24}{35}$$입니다. 따라서 모형 B의 F1-score가 더 높다는 설명은 맞습니다.

2. 모형 A의 F1-score는 3/4, 모형 B의 F1-score는 2/3이므로 모형 A가 더 높다.
모형 A의 F1-score가 3/4(0.75)라는 설명은 틀렸습니다. 앞서 계산한 바와 같이 모형 A의 F1-score는 2/3(약 0.6667)입니다. 모형 B의 F1-score가 2/3이라는 설명도 틀렸습니다. 따라서 이 선지는 오답입니다.

3. 모형 A와 B의 F1-score는 모두 2/3으로 동일하다.
모형 A와 B의 F1-score가 모두 2/3이라는 설명은 틀렸습니다. 모형 A의 F1-score는 2/3이지만, 모형 B의 F1-score는 24/35(약 0.6857)로 더 높습니다. 따라서 이 선지는 오답입니다.

4. 모형 B는 FP가 작으므로 F1-score 계산에서 FN은 고려하지 않는다.
F1-score 계산 시 FP가 작다고 해서 FN을 고려하지 않는 것은 잘못된 방법입니다. F1-score는 정밀도와 재현율의 조화평균으로, 재현율 계산에 FN이 반드시 포함됩니다. 따라서 FN을 무시하는 것은 올바르지 않습니다.

F1-score는 정밀도와 재현율의 조화평균으로, 두 값이 모두 중요합니다. 모형 A와 B의 혼동행렬에서 TP, FP, FN 값을 이용해 각각 F1-score를 계산하면 모형 A는 2/3, 모형 B는 24/35로 모형 B의 F1-score가 더 높습니다. 따라서 1번 설명이 맞으며, 나머지 선지는 계산 오류나 개념 오류가 있습니다.

따라서 정답은 '1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.' 입니다.

2. 선택

키워드

해설

F1-score는 분류모형의 성능을 평가하는 지표로, 정밀도(Precision)와 재현율(Recall, 민감도)의 조화평균입니다. 정밀도는 모델이 Positive로 예측한 것 중 실제 Positive의 비율이고, 재현율은 실제 Positive 중에서 모델이 올바르게 예측한 비율입니다. F1-score는 $$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$$로 계산하며, 값이 1에 가까울수록 성능이 좋다고 판단합니다. 문제에서 주어진 모형 A와 B의 혼동 행렬을 통해 각각의 TP, FP, FN 값을 확인하고 정밀도와 재현율을 구한 뒤 F1-score를 계산해야 합니다.

1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.
선지 1은 모형 A의 F1-score를 2/3, 모형 B의 F1-score를 24/35로 계산하여 모형 B가 더 높다고 주장합니다. 하지만 모형 A의 F1-score는 실제로 0.6이고, 모형 B의 F1-score는 약 0.705로, 24/35(약 0.686)와는 차이가 있습니다. 따라서 계산이 정확하지 않아 오답입니다.

2. 모형 A의 F1-score는 3/4, 모형 B의 F1-score는 2/3이므로 모형 A가 더 높다.
선지 2는 모형 A의 F1-score를 3/4, 모형 B의 F1-score를 2/3으로 계산하여 모형 A가 더 높다고 주장합니다. 그러나 모형 A의 F1-score는 0.6(3/5)이고, 모형 B의 F1-score는 약 0.705로 2/3(약 0.666)보다 높습니다. 따라서 모형 A의 F1-score가 3/4(0.75)라는 주장은 틀렸고, 이 선지도 오답입니다.

3. 모형 A와 B의 F1-score는 모두 2/3으로 동일하다.
선지 3은 두 모형의 F1-score가 모두 2/3으로 동일하다고 했습니다. 실제 계산 결과 모형 A의 F1-score는 0.6, 모형 B의 F1-score는 약 0.705로 서로 다릅니다. 따라서 이 선지는 틀렸습니다.

4. 모형 B는 FP가 작으므로 F1-score 계산에서 FN은 고려하지 않는다.
선지 4는 모형 B가 FP가 작으므로 F1-score 계산에서 FN을 고려하지 않는다고 했습니다. F1-score는 정밀도와 재현율의 조화평균으로, 재현율 계산에 FN이 반드시 포함됩니다. 따라서 FN을 고려하지 않는다는 주장은 잘못된 이해이며 오답입니다.

모형 A와 B의 F1-score를 계산해보면, 모형 A는 TP=30, FP=10, FN=20으로 정밀도는 $$\frac{30}{30+10} = 0.75$$, 재현율은 $$\frac{30}{30+20} = 0.6$$이며, F1-score는 $$2 \times \frac{0.75 \times 0.6}{0.75 + 0.6} = 0.666...$$ 즉, 약 2/3입니다. 모형 B는 TP=24, FP=6, FN=16으로 정밀도는 $$\frac{24}{24+6} = 0.8$$, 재현율은 $$\frac{24}{24+16} = 0.6$$이며, F1-score는 $$2 \times \frac{0.8 \times 0.6}{0.8 + 0.6} = 0.6857...$$ 즉, 약 24/35(0.6857)입니다. 따라서 모형 B의 F1-score가 모형 A보다 더 높다는 선지 1이 가장 적절합니다. 나머지 선지들은 F1-score 계산법이나 값에 오류가 있거나 F1-score 계산에 FN을 제외하는 잘못된 설명을 포함하고 있습니다.

따라서 정답은 '1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.' 입니다.

3. 선택

키워드

해설

F1-score는 분류 모델의 성능을 평가하는 지표로, 정밀도(Precision)와 재현율(Recall, 민감도)의 조화평균입니다. 정밀도는 모델이 Positive로 예측한 것 중 실제 Positive인 비율이고, 재현율은 실제 Positive 중 모델이 맞게 예측한 비율입니다. F1-score는 두 값의 균형을 평가하며, 수식은 $$F1 = 2 \times \frac{Precision \times Recall}{Precision + Recall}$$ 입니다. 문제에서 두 모델 A와 B의 혼동 행렬이 주어졌으므로, 각 모델의 TP, FP, FN 값을 이용해 정밀도와 재현율을 계산하고, 이를 바탕으로 F1-score를 계산해야 합니다. 이를 통해 두 모델 중 F1-score가 더 높은 모델을 판단할 수 있습니다.

1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.
모형 A의 TP=30, FP=10, FN=20이고, 모형 B의 TP=24, FP=6, FN=16입니다. 모형 A의 정밀도는 $$\frac{30}{30+10} = \frac{30}{40} = 0.75$$, 재현율은 $$\frac{30}{30+20} = \frac{30}{50} = 0.6$$입니다. 따라서 F1-score는 $$2 \times \frac{0.75 \times 0.6}{0.75 + 0.6} = 2 \times \frac{0.45}{1.35} = \frac{0.9}{1.35} = \frac{2}{3}$$입니다. 모형 B의 정밀도는 $$\frac{24}{24+6} = \frac{24}{30} = 0.8$$, 재현율은 $$\frac{24}{24+16} = \frac{24}{40} = 0.6$$입니다. 따라서 F1-score는 $$2 \times \frac{0.8 \times 0.6}{0.8 + 0.6} = 2 \times \frac{0.48}{1.4} = \frac{0.96}{1.4} = \frac{24}{35}$$로, 모형 B가 더 높습니다. 따라서 이 선지는 옳습니다.

2. 모형 A의 F1-score는 3/4, 모형 B의 F1-score는 2/3이므로 모형 A가 더 높다.
이 선지는 모형 A의 F1-score를 3/4, 모형 B의 F1-score를 2/3으로 제시했는데, 실제 계산 결과와 다릅니다. 모형 A의 F1-score는 2/3이고, 모형 B의 F1-score는 24/35로 2/3보다 약간 더 큽니다. 따라서 이 선지는 틀렸습니다.

3. 모형 A와 B의 F1-score는 모두 2/3으로 동일하다.
모형 A와 B의 F1-score가 모두 2/3으로 동일하다고 했는데, 실제로는 모형 A가 2/3이고 모형 B는 24/35로 약간 더 큽니다. 따라서 이 선지는 틀렸습니다.

4. 모형 B는 FP가 작으므로 F1-score 계산에서 FN은 고려하지 않는다.
F1-score는 정밀도와 재현율의 조화평균으로, FP와 FN 모두를 고려합니다. FP가 작다고 해서 FN을 고려하지 않는 것은 잘못된 설명입니다. 따라서 이 선지는 틀렸습니다.

F1-score는 정밀도와 재현율의 조화평균으로, 두 지표를 모두 고려하여 분류 모델의 성능을 평가합니다. 문제의 모형 A와 B의 혼동 행렬에서 TP, FP, FN 값을 이용해 각각 정밀도와 재현율을 계산한 후 F1-score를 구하면, 모형 A는 2/3, 모형 B는 24/35로 모형 B가 더 높습니다. 따라서 정답은 1번입니다. 나머지 선지들은 F1-score 계산 결과와 개념에 맞지 않아 오답입니다.

따라서 정답은 '1. 모형 A의 F1-score는 2/3, 모형 B의 F1-score는 24/35이므로 모형 B가 더 높다.' 입니다.

입력 데이터

수정 가능 범위 확인