2nd/10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md

id, category, confidence_score, tags, last_reinforced

id	category	confidence_score	tags	last_reinforced
AI-MET-TRAD-001	10_Wiki/💡 Topics/AI	1.0	ai machine-learning metrics precision recall tradeoff f1-score threshold	2026-04-26

Precision-Recall Tradeoff (정밀도-재현율 트레이드오프)

📌 한 줄 통찰 (The Karpathy Summary)

"오답을 내지 않는 '신중함'과 정답을 놓치지 않는 '집요함' 사이에서, 비즈니스의 가치를 극대화하는 중도의 임계점을 사수하라" — 정밀도와 재현율 중 하나를 높이면 다른 하나는 낮아지는 상충 관계를 이해하고, 문제의 성격에 따라 최적의 균형점을 선택하는 전략적 의사결정 원리.

📖 구조화된 지식 (Synthesized Content)

• 추출된 패턴: "Decision Threshold and Performance Balancing" — 모델의 분류 임계값(Threshold)을 높이면 확실한 것만 정답이라 하므로 정밀도가 올라가지만(신중), 임계값을 낮추면 더 많은 가능성을 정답으로 포함시켜 재현율이 올라가는(집요) 상보적 패턴.
• 주요 고려 사항:
  • High Precision Priority: 스팸 메일 분류처럼 오탐(FP)의 피해가 클 때 선택.
  • High Recall Priority: 암 진단이나 사기 탐지처럼 미탐(FN)의 위험이 치명적일 때 선택.
  • F1-Score: 두 지표의 조화 평균으로, 어느 한쪽에 치우치지 않는 균형 잡린 성능 평가.
• 의의: 100% 완벽한 모델은 존재하지 않음을 인정하고, 한정된 자원 내에서 '틀렸을 때의 비용'을 최소화하는 공학적 최적화를 가능케 함.

⚠️ 모순 및 업데이트 (Contradictions & RL Update)

• 과거 데이터와의 충돌: 단순히 두 지표가 높을수록 좋다는 단편적 시각에서 벗어나, 이제는 PR 곡선(Precision-Recall Curve)의 면적(AUC)을 분석하여 모델의 전체적인 변별력을 다각도로 검증함.
• 정책 변화: Antigravity 프로젝트는 에이전트의 지식 추출 작업 시, 잘못된 지식을 포함하지 않기 위해 정밀도(Precision)를 우선시하는 임계값 설정을 기본으로 하되, 탐색 모드에서는 재현율을 높여 더 많은 연결 고리를 찾도록 가변적으로 운용함.

🔗 지식 연결 (Graph)

• Performance-Metrics-in-AI, Imbalanced-Data-Handling, Loss-Functions-Foundations, Exploratory-Data-Analysis
• Raw Source: 10_Wiki/Topics/AI/Precision-Recall-Tradeoff.md