분류 모델의 성능을 평가할 때 정확도(Accuracy) 외에 정밀도(Precision), 재현율(Recall), F1-Score와 같은 다른 지표들이 왜 필요한지 설명하고, 각 지표가 어떤 상황에서 중요하게 활용되는지 구체적인 예시를 들어 설명해 보세요.

분류 모델 성능 평가 시 정확도만으로는 부족한 경우가 많습니다. 특히 데이터 불균형이 심할 때 정확도는 높은 값을 보이지만 실제 성능을 제대로 반영하지 못할 수 있습니다.

정밀도는 모델이 True라고 예측한 것 중 실제 True의 비율을 나타냅니다. 스팸 메일 분류에서 정밀도가 높다면, 스팸 메일이라고 분류한 것 중 실제로 스팸 메일인 비율이 높다는 의미입니다. 중요한 메일이 스팸으로 분류되는 것을 최소화해야 할 때 중요합니다.

재현율은 실제 True인 것 중 모델이 True라고 예측한 비율입니다. 암 진단 모델에서 재현율이 높다면, 실제로 암 환자를 암 환자로 정확하게 진단하는 비율이 높다는 의미입니다. 암 환자를 놓치는 것을 최소화해야 할 때 중요합니다.

F1-Score는 정밀도와 재현율의 조화 평균으로, 두 지표를 균형 있게 고려합니다. 어떤 지표가 더 중요한지 판단하기 어려울 때 유용하게 사용됩니다.

이처럼 각 지표는 오분류의 유형(False Positive, False Negative)에 따라 중요도가 달라지므로, 상황에 맞는 지표를 선택하여 모델을 평가해야 합니다.