# 기계 학습 측정
<a name="machine-learning-terminology"></a>

기계 학습 변환을 튜닝하는 데 사용되는 측정을 이해하려면 다음 용어를 숙지해야 합니다.

**참 긍정(TP)**  
변환이 올바르게 찾은 데이터의 일치로, *적중*이라고도 합니다.

**참 부정(TN)**  
변환이 올바르게 거부한 데이터의 불일치입니다.

**거짓 긍정(FP)**  
변환이 일치로 잘못 분류한 데이터의 불일치로, *거짓 경보*라고도 합니다.

**거짓 부정(FN)**  
변환이 찾지 못한 데이터의 일치로, *누락*이라고도 합니다.

기계 학습에 사용되는 용어에 대한 자세한 내용은 Wikipedia에서 [Confusion matrix](https://en.wikipedia.org/wiki/Confusion_matrix)를 참조하십시오.

기계 학습 변환을 튜닝하려면 변환의 **Advanced properties(고급 속성)**에서 다음 측정 값을 변경하면 됩니다.
+ [**정밀도(Precision)**]는 변환이 긍정으로 식별하는 총 레코드 수(참 긍정 및 거짓 긍정) 중에서 참 긍정을 얼마나 잘 찾는지 측정합니다. 자세한 내용은 Wikipedia의 [정밀도 및 재현율](https://en.wikipedia.org/wiki/Precision_and_recall)을 참조하십시오.
+ **재현율**은 변환이 소스 데이터의 총 레코드에서 참 긍정을 얼마나 잘 찾는지 측정합니다. 자세한 내용은 Wikipedia의 [정밀도 및 재현율](https://en.wikipedia.org/wiki/Precision_and_recall)을 참조하십시오.
+ **정확도**는 변환이 참 긍정과 참 부정을 얼마나 잘 찾는지 측정합니다. 정확도를 증가시키려면 더 많은 기계 리소스와 비용이 필요합니다. 하지만 이렇게 하면 재현율도 증가합니다. 자세한 내용은 Wikipedia의 [Accuracy and precision](https://en.wikipedia.org/wiki/Accuracy_and_precision#In_information_systems)을 참조하십시오.
+ **비용**은 변환을 실행하는 데 사용한 컴퓨팅 리소스(따라서 비용)의 양을 측정합니다.