TSAD metric들
1. Precision, Recall, F1-score
| 실제 / 예측 | Positive (이상) | Negative (정상) |
|---|---|---|
| Positive (이상) | TP (True Positive) | FN (False Negative) |
| Negative (정상) | FP (False Positive) | TN (True Negative) |
- \(\text{Precision} = \frac{TP}{TP + FP}\).
- \(\text{Recall} = \frac{TP}{TP + FN}\).
- \(\text{F1} = 2 \cdot \frac{\text{Precision} \cdot \text{Recall}}{\text{Precision} + \text{Recall}}\).
2. AUROC, AUPRC
a.k.a
| AUROC | Area Under the ROC Curve | = ROC-AUC |
|---|---|---|
| AUPRC | Area Under the Precision-Recall Curve | = PR-AUC |
모델이 score 기반으로 이상을 얼마나 잘 구분하는지를 측정하는 임계값(threshold)-무관 평가 지표
- ROC = Receiver Operating Characteristic
AUROC
- (X,y) = (FPR, TPR=Recall)
- 1일수록 good
- 완전 무작위 분류기의 경우 AUC ≈ 0.5
- Class imbalance에 약함 → 이상 탐지에선 주로 PR-AUC 선호
AUPRC
- (X,y) = (Recall, Precision)
- 1일수록 good
- 완전 무작위 분류기의 경우 AUC ≈ 0.5
- Class imbalance에 적함
3. AUC curve 그리기
Step 1. 이상 점수(anomaly score) 예측
DL 모델이 각 시점별로 예측한 이상 점수 (continuous value, 예: reconstruction error, 예측 오차 등)
y_score = [0.1, 0.2, 0.95, 0.9, 0.15, 0.05]
Step 2. 정답 레이블 (ground truth) 불러오기
각 시점이 정상(0)인지 이상(1)인지 나타냄
y_true = [0, 0, 1, 1, 0, 0]
Step 3-a) (w/ Package)
AUC curve
from sklearn.metrics import roc_curve, auc
import matplotlib.pyplot as plt
fpr, tpr, thresholds = roc_curve(y_true, y_score)
roc_auc = auc(fpr, tpr)
plt.figure()
plt.plot(fpr, tpr, label=f"ROC curve (AUC = {roc_auc:.2f})")
plt.plot([0, 1], [0, 1], 'k--', label='Random chance')
plt.xlabel("False Positive Rate")
plt.ylabel("True Positive Rate")
plt.title("ROC Curve")
plt.legend()
plt.grid(True)
plt.show()
PR curve
from sklearn.metrics import precision_recall_curve, average_precision_score
precision, recall, thresholds = precision_recall_curve(y_true, y_score)
pr_auc = average_precision_score(y_true, y_score)
plt.figure()
plt.plot(recall, precision, label=f"PR curve (AUC = {pr_auc:.2f})")
plt.xlabel("Recall")
plt.ylabel("Precision")
plt.title("Precision-Recall Curve")
plt.legend()
plt.grid(True)
plt.show()
Step 3-b) (w/o Package)
이상 점수(anomaly score) 에 대해 여러 임계값(threshold) 을 시도
\(\rightarrow\) 각 threshold에서의 분류 성능 (TP, FP 등) 을 계산해 그리는 곡선
Procedure
- y_score를 내림차순 정렬해서 모든 점수를 threshold처럼 생각함
- 각 threshold에 대해 y_score >= threshold면 이상이라고 간주
- 이에 따라 TP, FP, FN, TN 계산
- 각각의 (FPR, TPR) 또는 (Recall, Precision) 을 좌표로 찍음
- 그 좌표들을 선으로 연결하면 ROC / PR Curve 완성
4. Application
상황 1:
“일반 유저를 실수로 핵유저로 오탐하는 위험이 매우 커.”
-
정상인데 이상으로 잘못 탐지(FP) 하면 큰 문제임
→ False Positive를 줄이는 게 핵심
-
필요한 지표: Precision (정밀도)
상황 2:
“단 하나의 이상치도 놓치면 안 된다.”
-
이상인데 정상으로 놓치면(FN) 치명적임
→ False Negative를 줄이는 게 핵심
-
필요한 지표: Recall (재현율)