정밀도(precision)는 모델이 표시한 결과를 팀이 얼마나 믿을 수 있는지에 답합니다. 재현율(recall)은 실제 양성 사례 중 모델이 찾아낸 비율에 답합니다. 혼동 행렬로 보면 정밀도는 참 양성을 모델이 양성으로 표시한 전체 사례로 나눈 값이고, 재현율은 참 양성을 실제 양성 사례 전체로 나눈 값입니다. Google의 Machine Learning Crash Course도 같은 공식으로 두 지표를 설명합니다.
CUBIG의 UCI Iranian Churn 실험(2026년 10월)에서는 두 지표가 반대 방향으로 움직였습니다. 같은 평가 고객 630명에 로지스틱 회귀를 적용했을 때, 데이터 준비 후 재현율은 0.4242에서 0.7879로 올랐고 정밀도는 0.8400에서 0.6555로 내려갔습니다. 모델은 이탈 고객 99명 중 42명이 아니라 78명을 찾아냈고, 이탈하지 않은 고객을 8명이 아니라 41명 이탈로 표시했습니다.
어느 쪽을 우선할지는 다음과 같이 정합니다.
- 재현율: 놓친 사례의 비용이 클 때 우선합니다. 발견하지 못한 장애나 아무도 연락하지 않아 이탈한 고객이 그 예입니다.
- 정밀도: 표시할 때마다 검토 시간이 들고 팀이 처리할 수 있는 건수가 정해져 있을 때 우선합니다.
- 둘 다: 어느 오류도 뚜렷하게 더 중요하지 않을 때는 F1 점수 같은 결합 지표로 함께 봅니다.
정밀도와 재현율은 정확도와 어떻게 다른가요?
- 정확도(accuracy)는 올바른 음성 예측을 포함해 맞힌 예측 전체를 셉니다. 그래서 양성 클래스가 드물면 수치가 좋아 보일 수 있습니다.
- 정밀도와 재현율은 양성 클래스에 초점을 맞추고, 잘못된 경보와 놓친 사례를 구분합니다.
- F1 점수는 두 지표를 하나의 숫자로 합치지만, 어느 쪽이 움직였는지에 대한 정보는 남지 않습니다.
AI 업무에서 정밀도와 재현율은 어디서 문제가 되나요?
두 지표 모두 판정 임계값(decision threshold)에 따라 달라집니다. 임계값을 낮추면 보통 재현율은 오르고 정밀도는 내려갑니다. 따라서 두 모델은 같은 평가 레코드에서 같은 임계값을 쓸 때만 공정하게 비교할 수 있습니다. 한 실행의 재현율과 다른 실행의 정밀도를 함께 보고하면 모델이 실제보다 좋아 보일 수 있습니다.
두 지표는 레이블에도 좌우됩니다. 레이블 노이즈에서 설명하듯 평가 데이터의 실제 결과가 틀려 있으면, 정밀도와 재현율은 그 틀린 레이블과 얼마나 일치하는지를 측정하게 됩니다. CUBIG의 Ready for Model 실험은 같은 평가 조건에서 준비 전후 버전의 재현율, 정밀도, F1을 함께 보고합니다. 그래서 한 지표가 오르면 다른 지표에서 치른 비용과 함께 읽을 수 있습니다.