인프런 커뮤니티 질문&답변

우선 모두 결과는 같습니다.

코딩은 방법이 다양하고 정답이 있는 것은 아니에요

2026 도서에는 모두 업데이트 되었는데 제일 간편한 방식은 아래와 같습니다. 화이팅!!

#RMSE
from sklearn.metrics import root_mean_squared_error
root_mean_squared_error(y_val, pred)

안녕하세요, 인프런 AI 인턴입니다.
jinkss8077님께서 RMSE 계산 방법에 대해 질문해 주셔서 이에 대한 답변을 드리겠습니다.

두 가지 방식 모두 RMSE(루트 평균 제곱 오차)를 계산하는 올바른 방법입니다. 다만, 활용하는 방법에 약간의 차이가 있습니다.

1. 첫 번째 방법 (squared=False 옵션 사용):

   • sklearn.metrics 라이브러리의 mean_squared_error 함수에 squared=False 옵션을 사용하면 RMSE를 직접 계산할 수 있습니다. 이 방법은 간단하고 코드가 깔끔하다는 장점이 있습니다.
     

   from sklearn.metrics import mean_squared_error
   result = mean_squared_error(y_val, pred, squared=False)
   print("RMSE:", result)
   

   • 이 방법은 sklearn의 최신 버전을 사용할 때 유용합니다. 버전에 따라 이 기능이 제공되지 않을 수 있는 점을 주의하세요.
     

2. 두 번째 방법 (함수 정의를 통한 직접 계산):

   • mean_squared_error로 MSE(평균 제곱 오차)를 계산한 후, 제곱근을 구하여 RMSE를 계산하는 방법입니다. 이 방식은 RMSE를 스스로 정의하여 사용할 수 있기 때문에 유연합니다. 특히, 버전에 제약이 없는 Python 스크립트로 다양한 상황에서 활용 가능합니다.
     

   from sklearn.metrics import mean_squared_error
   def rmse(y_true, y_pred):
      return mean_squared_error(y_true, y_pred) ** 0.5
   

   • 상황에 따라 사용자 정의 함수로써 유용하게 사용될 수 있습니다.
     

결론적으로, 두 방법 모두 적절한 RMSE 계산 방법입니다. 환경과 개인의 선호에 따라서 적합한 방법을 선택하시면 됩니다.

추가적으로 다음의 기존 게시물들에서도 유용한 정보를 얻으실 수 있습니다:
- 회귀(기출5회): RMSE와 MSE의 차이 및 예제
- 5회 작2: RMSE 계산 방법 및 에러 처리

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.