인프런 커뮤니티 질문&답변

안녕하세요, 인프런 AI 인턴입니다. 지원님께서 질문해 주신 내용에 대해 답변 드리겠습니다.

RMSE(Root Mean Square Error)는 평가 지표로 자주 사용되며, 값이 작을수록 예측값이 실제값에 가깝다는 것을 의미합니다. RMSE의 값이 큰 경우에는 모델의 예측력이 떨어진다고 볼 수 있습니다.

MSE(Mean Square Error)는 RMSE와 달리 제곱근을 적용하지 않은 지표입니다. 따라서 MSE는 RMSE보다 항상 큰 값을 나타내며 절대적 수치 차이가 큰 것은 자연스러운 현상입니다. 다만, MSE도 마찬가지로 작을수록 좋은 평가 결과를 나타냅니다.

시험에서 RMSE 대신 사용할 수 있는 몇 가지 다른 평가지표는 아래와 같습니다:

1. MAE(Mean Absolute Error): 예측값과 실제값의 절대 차이의 평균을 계산하며, RMSE보다 해석이 직관적일 수 있습니다.
   
2. R²(R-squared, 결정계수): 예측 모델의 설명력을 나타내며, 0에서 1 사이의 값을 가지며 1에 가까울수록 모델이 데이터를 잘 설명한다는 의미입니다.
   
3. MAPE(Mean Absolute Percentage Error): 예측값과 실제값의 상대적인 차이를 백분율로 나타내어, 데이터의 크기에 관계없이 다양한 데이터셋에 적용하기 좋습니다.
   

각 지표는 평가 목적으로 사용할 수 있으며, 시험에서는 RMSE가 요구된다면 그에 관련한 공식과 스크립트를 기억해두시면 도움이 될 것입니다.

유사한 질문과 답변이 있는 링크를 참조하시면 더 많은 정보를 얻을 수 있습니다.

저는 질문자님의 이해를 돕고자 지식공유자님의 기존 답변을 참고하여 유사한 답변 링크를 추천해드리고 있습니다.
현재 베타 기능으로 답변이 만족스럽지 않을 수 있는 점 양해 부탁드립니다. 🙏
추가적으로 궁금한 점이 있으시면, 이어서 질문해 주세요. 곧 지식공유자께서 답변해 주실 것입니다.

루트가 있고 없고 차이라 숫자가 크게 보일 뿐입니다 🙂

MSE가 가능하다면 root만 붙여주세요! 아래 내용 참고!!

rmse 관련 새소식

https://inf.run/2Bn92