문제 최종 검수

선택지1

선택지2

선택지3

선택지4

정답

개념 난이도 / 선택지 난이도 / 최종 난이도

키워드

해설

비기봇 해설

1. 선택

키워드

해설

정답은 4번입니다.

ROC 곡선은 이진 분류 문제에서 모델의 성능을 평가하기 위한 도구로, X축은 위양성률(FPR), Y축은 참양성률(TPR)을 나타냅니다. 이 곡선은 다양한 임계값에서의 모델 성능을 시각화하여, 모델이 얼마나 잘 분류하는지를 보여줍니다. ROC 곡선의 AUC(Area Under the Curve)는 모델의 분류 능력을 수치화한 값으로, 1에 가까울수록 좋은 성능을 의미합니다. ROC 곡선의 (0, 1) 지점은 이상적인 분류기를 나타내며, 이 지점에서는 FPR이 0이고 TPR이 1입니다.

1. ROC 곡선에서 X축은 FPR(위양성률)을 나타낸다. 
: ROC 곡선에서 X축은 위양성률(FPR)을 나타냅니다. 위양성률은 실제로는 음성인 데이터를 양성으로 잘못 분류한 비율을 의미합니다. 이는 1에서 특이도를 뺀 값으로 계산됩니다. 특이도는 실제 음성을 음성으로 정확히 분류한 비율이므로, FPR은 1-특이도로 정의됩니다. 예를 들어, 특이도가 0.9라면 FPR은 0.1이 됩니다.

2. ROC 곡선의 Y축은 TPR(참양성률)을 나타낸다. 
: ROC 곡선의 Y축은 참양성률(TPR)을 나타냅니다. 참양성률은 실제로 양성인 데이터를 양성으로 정확히 분류한 비율을 의미하며, 민감도라고도 불립니다. 이는 실제 양성 중에서 모델이 얼마나 잘 양성을 예측했는지를 나타냅니다. 예를 들어, 민감도가 0.8이라면, 실제 양성 중 80%를 정확히 예측한 것입니다.

3. ROC 곡선에서 가장 효율적인 점은 (0, 1)이다. 
: ROC 곡선에서 가장 효율적인 점은 (0, 1)입니다. 이 지점은 FPR이 0이고 TPR이 1인 이상적인 분류기를 나타냅니다. 즉, 잘못된 양성 예측이 전혀 없고, 모든 양성을 정확히 예측하는 경우입니다. 현실적으로는 이 지점에 도달하기 어렵지만, 이 지점에 가까울수록 모델의 성능이 좋다고 평가됩니다.

4. ROC 곡선의 하단선은 무작위 추측을 나타낸다. 
: ROC 곡선에서 무작위 추측(Random Guess) 은 하단선이 아니라 (0,0)에서 (1,1)을 잇는 대각선을 의미합니다. 이 선은 FPR과 TPR이 동일한 경우로, 모델이 무작위로 예측하는 것과 같은 성능을 보이는 경우입니다. 이 경우, 모델의 예측은 실제로 유용하지 않으며, AUC 값이 0.5에 가까워집니다. 이는 동전 던지기와 같은 수준의 예측력을 의미합니다. 하단선(TPR=0)은 항상 음성만 예측하는 극단적인 경우에 해당합니다.

무작위 추측은 FPR과 TPR이 동일한 경우로, 하단선이 아닌,  (0,0)에서 (1,1)을 잇는 대각선을 의미합니다. 이는 모델이 예측을 무작위로 하는 것과 같은 성능을 보입니다.

따라서, 정답은 '4. ROC 곡선의 하단선은 무작위 추측을 나타낸다.' 입니다.

2. 선택

키워드

해설

3. 선택

키워드

해설

4. 선택

키워드

해설

정답은 4번입니다.

ROC 곡선은 이진 분류 문제에서 모델의 성능을 평가하기 위한 도구입니다. 이 곡선은 X축에 위양성률(FPR), Y축에 참양성률(TPR)을 두고, 다양한 임계값에서의 모델 성능을 시각화합니다. FPR은 실제 음성인 데이터를 양성으로 잘못 분류한 비율을 의미하며, TPR은 실제 양성인 데이터를 양성으로 올바르게 분류한 비율을 의미합니다. ROC 곡선의 좌상단에 가까울수록 모델의 성능이 좋음을 나타내며, 대각선은 무작위 추측을 의미합니다. AUC(Area Under the Curve)는 ROC 곡선 아래의 면적으로, 1에 가까울수록 모델의 성능이 우수함을 나타냅니다.

1. ROC 곡선에서 X축은 FPR(위양성률)을 나타낸다. 
: ROC 곡선에서 X축은 위양성률(FPR)을 나타냅니다. FPR은 실제 음성인 데이터를 양성으로 잘못 분류한 비율로, 1-특이도와 동일합니다. 특이도는 실제 음성인 데이터를 음성으로 올바르게 분류한 비율이므로, FPR은 1에서 특이도를 뺀 값입니다. 예를 들어, 특이도가 0.9라면 FPR은 0.1이 됩니다. FPR이 낮을수록 모델이 음성을 잘 구분하는 것을 의미합니다.

2. ROC 곡선의 Y축은 TPR(참양성률)을 나타낸다. 
: ROC 곡선의 Y축은 참양성률(TPR)을 나타냅니다. TPR은 실제 양성인 데이터를 양성으로 올바르게 분류한 비율로, 민감도와 동일합니다. 민감도는 모델이 양성을 얼마나 잘 식별하는지를 나타내며, TPR이 높을수록 모델이 양성을 잘 구분하는 것을 의미합니다. 예를 들어, TPR이 0.8이라면 실제 양성인 데이터 중 80%를 올바르게 양성으로 분류한 것입니다.

3. ROC 곡선에서 가장 효율적인 점은 (0, 1)이다. 
: ROC 곡선에서 가장 효율적인 점은 (0, 1)입니다. 이 점은 FPR이 0이고 TPR이 1인 경우로, 모든 음성을 정확히 음성으로, 모든 양성을 정확히 양성으로 분류하는 이상적인 모델을 의미합니다. 현실적으로 이 점에 도달하는 것은 매우 어렵지만, 이 점에 가까울수록 모델의 성능이 우수하다고 평가됩니다.

4. ROC 곡선의 하단선은 무작위 추측을 나타낸다. 
: ROC 곡선의 하단선은 무작위 추측을 나타냅니다. 이 선은 대각선으로, FPR과 TPR이 동일한 경우를 의미합니다. 즉, 모델이 무작위로 분류하는 것과 같은 성능을 보이는 경우입니다. AUC가 0.5인 경우가 이에 해당하며, 이는 모델이 전혀 유용하지 않음을 나타냅니다.

선지 4는 ROC 곡선의 하단선이 무작위 추측을 나타낸다고 설명하고 있습니다. 그러나 실제로 ROC 곡선의 하단선이 아니라 대각선이 무작위 추측을 나타냅니다. 하단선은 FPR이 1이고 TPR이 0인 경우로, 이는 모든 데이터를 음성으로 잘못 분류하는 최악의 경우를 의미합니다. 따라서 선지 4는 잘못된 설명입니다.
따라서, 정답은 '4. ROC 곡선의 하단선은 무작위 추측을 나타낸다.' 입니다.

입력 데이터

수정 가능 범위 확인