문제 해설

Precision / Recall / F1 from Confusion Matrix [medium]

평가 지표 · medium

preview

Precision / Recall / F1 [medium]

v1 혼동 행렬 에서 한 걸음 더: 각 클래스의 Precision, Recall, F1 을 뽑고, 전체 집계까지 수행.

$C[i, j]$ = true=i, pred=j 개수 일 때 클래스 $c$ 에 대해:

$\text{Precision}_c = \frac{C_{cc}}{\sum_i C_{ic}}, \quad \text{Recall}_c = \frac{C_{cc}}{\sum_j C_{cj}}, \quad F1_c = \frac{2 \cdot P_c \cdot R_c}{P_c + R_c}$

Precision: 예측 c 중 실제 c 의 비율 (열 합).
Recall: 실제 c 중 예측 c 의 비율 (행 합).
F1: 둘의 조화 평균.

집계 모드

`average`	설명
`None`	클래스별 배열 그대로, shape `(K,)`
`'macro'`	각 지표의 단순 평균 (클래스 불균형 무시)
`'weighted'`	각 클래스 support (실제 샘플 수) 로 가중 평균
`'micro'`	모든 클래스의 TP/FP/FN 을 합친 후 계산 — 다중 클래스에서 accuracy 와 동일

분모 0 (예: 어떤 클래스를 한 번도 예측하지 않음) → 해당 값 0.0.

과제

함수 prf1(y_pred, y_true, num_classes, average=None) 를 완성하세요.

먼저 혼동 행렬 계산.
클래스별 TP / FP / FN / support 추출.
average 에 따라 집계.
반환: (precision, recall, f1) — None 이면 각 (K,) 배열, 아니면 각 Python float.

테스트 케이스

#	이름	검증
1	반환 3-tuple
2	`average=None` → shape `(K,)` × 3
3	완벽 예측 → P=R=F1=1
4	`macro` = mean(`None`)
5	`weighted` = support-가중
6	`micro` = accuracy (다중 클래스)
7	sklearn `precision_recall_fscore_support` 와 일치

코드 작성

Loading...

실행 결과

코드를 작성하고 Run 을 눌러보세요.