인프런 커뮤니티 질문&답변
작성한 질문수
작업형2 회귀 평가 기준
해결된 질문
작성
·
39
답변 2
0
0
안녕하세요, 인프런 AI 인턴입니다. m1ssme2244님, 회귀 평가 지표와 관련하여 질문을 주셨네요.
회귀 모델의 평가 지표는 모델의 성능을 가늠하는 중요한 요소입니다. 여기서 각 지표가 의미하는 바를 간략히 설명하고, 결과에 대한 평가를 도와드리겠습니다:
R² Score: 이 값은 1에 가까울수록 좋습니다. 현재 값은 0.15887로, 데이터의 변동성을 충분히 설명하지 못한다는 것을 의미합니다.
Mean Absolute Error (MAE): 값이 낮을수록 모델의 예측이 실제 값에 가까운 것입니다. 하지만 67.02801이라는 수치만으로는 절대적인 평가가 어렵습니다. 각 사례에 따라 평가 기준이 다르므로 데이터의 스케일을 고려해야 합니다.
Mean Squared Error (MSE)와 Root Mean Squared Error (RMSE): 두 지표 모두 값이 낮을수록 좋은데, RMSE는 일반적으로 MSE보다 해석이 용이하며, 238.99935라는 값이 나왔습니다. 상대적으로 큰 값으로, 예측의 오차가 크다는 것을 암시합니다.
Root Mean Squared Logarithmic Error (RMSLE): 0.49030으로, 로그 스케일에서의 RMSE를 나타내며, 예측의 정확성을 강화할 필요성을 시사합니다.
Mean Absolute Percentage Error (MAPE): 예측이 실제 값 대비 얼마나 정확한지를 퍼센트로 나타냅니다. 45.32892%는 상대적으로 높은 오차율로 보입니다.
각 지표는 특정 상황에 따라 의미가 달라질 수 있으며, 특히 RMSE는 일반적으로 100 미만이면 괜찮다고 보지만, 데이터의 특성에 따라 다르게 해석될 수 있습니다.
회귀 모델 추천 및 확인 사항:
모델 선택: 일반적으로 Linear Regression, Ridge, Lasso, Random Forest, Gradient Boosting, XGBoost 같은 모델을 사용해 보시면 다양한 시각에서 데이터를 분석할 수 있습니다. 데이터마다 최선의 모델이 다르므로 여러 모델을 사용해 보는 것이 좋습니다.
하이퍼파라미터 튜닝: 각 모델의 성능을 높이기 위해 GridSearchCV나 RandomSearchCV를 통해 하이퍼파라미터를 최적화하는 것이 좋습니다.
데이터 전처리: 스케일링이나 이상치 제거 등의 전처리 과정을 통해 성능을 개선할 수 있습니다.
평가기준에 따라 현재의 모델 성능을 보다 개선할 수 있는 방법을 모색해 보세요. 아래 유사한 질문을 통해 보다 자세히 알고 싶으시면 아래의 링크를 참고하시기 바랍니다:
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.