혼동행렬·정밀도·재현율 계산기
TP·FP·FN·TN 네 칸을 넣으면 정확도·정밀도·재현율·특이도·F1·MCC를 한 임계값에서 계산합니다. 클래스가 불균형할 때 정확도만 보면 안 되는 이유를 함께 보여줍니다.
혼동행렬 — 행은 실제값, 열은 예측값입니다
대각선(TP·TN)이 맞춘 예측이고, 나머지(FP·FN)가 틀린 예측입니다.
정확도 (accuracy)
85%
전체 100명 중 85명을 맞췄습니다
계산 방법
- 1실제 양성·음성과 예측 양성·음성이 맞아떨어진 TP·FP·FN·TN 네 칸의 개수를 넣습니다.
- 2정확도·정밀도·재현율·특이도·F1·MCC가 바로 계산됩니다.
- 3계산 근거(식에 실제 숫자를 넣은 과정)를 확인합니다.
- 4정확도는 높은데 다른 지표가 낮다면 클래스 불균형을 의심해 봅니다.
자주 묻는 질문
이진 분류기의 예측을 실제값과 대조해 TP(진짜 양성)·FP(가짜 양성)·FN(가짜 음성)·TN(진짜 음성) 네 칸으로 나눈 표입니다. 정확도 하나만으로는 안 보이는 오류의 종류(놓친 것 대 헛짚은 것)를 구분해서 보여줍니다.
양성이 1%뿐인 자료에서 무조건 「음성」이라고만 찍어도 정확도는 99%가 나옵니다. 클래스가 불균형하면 정확도는 높아도 정밀도·재현율·MCC는 형편없을 수 있어, 이 지표들을 함께 봐야 합니다.
정밀도는 「양성이라고 한 것 중 진짜 비율」(TP/(TP+FP))이고, 재현율은 「실제 양성 중 잡아낸 비율」(TP/(TP+FN))입니다. 스팸 필터는 정밀도가 낮으면 정상 메일을 스팸함에 보내고, 재현율이 낮으면 스팸을 놓칩니다 — 무엇이 더 비싼 실수인지에 따라 어느 쪽을 우선할지가 달라집니다.
매튜스 상관계수(MCC)는 TP·FP·FN·TN 네 칸을 대칭적으로 모두 써서 −1(완전 반대)부터 +1(완벽) 사이 값을 냅니다. F1은 정밀도·재현율의 조화평균이라 양성 클래스에만 초점을 맞추는 데 반해, MCC는 음성 클래스의 성능(특이도)도 함께 반영해 클래스가 심하게 불균형할 때 더 신뢰할 수 있다고 알려져 있습니다.
분모가 0이 되는 경우입니다. 예측 양성이 하나도 없으면(TP+FP=0) 정밀도가, 실제 양성이 하나도 없으면(TP+FN=0) 재현율이 정의되지 않습니다. 이 계산기는 억지로 0을 넣지 않고 정의되지 않았다고 그대로 보여줍니다.
전송되지 않습니다. 모든 계산은 브라우저 안에서 이뤄지고 입력값은 이 기기에만 남습니다.
알아두면 좋은 점
- 정밀도·재현율·F1·MCC 정의는 scikit-learn의 precision_score·recall_score·f1_score·matthews_corrcoef와 대조해 검증했습니다.
- MCC는 분모의 네 항(TP+FP, TP+FN, TN+FP, TN+FN) 중 하나라도 0이면 scikit-learn의 관례를 따라 0으로 계산합니다.
- 이 계산기는 이미 임계값 하나를 고른 뒤의 성능표만 보여줍니다. 임계값 자체를 바꿔가며 곡선 전체를 보려면 roc-auc를 함께 쓰시기 바랍니다.
- 입력한 값은 브라우저 안에서만 계산되며 서버로 전송되지 않습니다.
함께 보면 좋은 도구
마지막 검증: 2026년 9월 3일 · 결과는 참고용 추정치입니다.