딥러닝과 완벽주의

우리가 새로운 일에 도전하는 것을 딥러닝 모델이 어떤 데이터를 True로 예측하는 행위, 우리가 해낼 수 있는 일을 실제로 True인 데이터라고 비유해 보자. 딥러닝 모델 추론 과정에서 이 데이터가 True인지 False인지 알 수 없는 것처럼, 우리도 어떤 일을 우리가 해낼 수 있는지 없는지 알 수 없다.

Precision은 딥러닝 모델이 True로 예측한 데이터 중에 실제로 True인 비율을 측정하므로, 우리가 더 많은 일에 도전할수록 값이 작아질 수밖에 없다. 우리가 해낼 수 있어서 성공한 일의 개수인 분자보다는 도전한 일의 개수인 분모가 더 빠르게 커질 테니까. 하지만 계속 도전하다 보면 성공은 못해도 배우는 게 있고, 뭐 하나라도 걸려서 사소한 성공이라도 하게 된다. 그렇다면 Recall은 커질 것이다. Recall은 실제로 True인 데이터 중에서 모델도 True로 예측한 데이터의 비율이다. 이 비유에 따르면 우리가 해낼 수 있는 일들 중에서 실제로 우리가 도전한 일의 비율로 해석할 수 있다. 그러니까 더 많은 일에 도전할수록 Precision은 낮아질지언정, Recall은 높아진다. 

우리는 Precision에 매몰되는 경우가 많은 것 같다. Precision을 높이고 싶은 이유는 참 많다. 실패하면 부끄러우니까, 도전하면 힘드니까, 또는 완벽주의에 빠져서 뻔히 해낼 수 있을 것만 하고 싶다. 

하지만 우리에게 더 중요한 것은 Recall이다. Precision이 낮아질까 봐 걱정하면 Recall을 절대 높일 수 없다. 

Thumbnail Image by Francesco Califano on Unsplash