[KT Aivle AI] 4주차. 머신러닝 (2) 성능평가

0. 개요

주제 : 머신러닝. 머신러닝의 전체 과정의 코드 실습
내용 : 머신러닝 회귀 및 분류의 성능평가를 제대로 구분할 수 있다.

1. 회귀 성능 평가

1) MAE

$\large MAE=\frac{1}{n}\sum_{i=1}^{n}|y_{i}-\hat{y}_{i}|$

# 모듈 불러오기
from sklearn.metrics import mean_absolute_error

# 성능평가
mean_absolute_error(y_test,y_pred)

2) MSE

$\large MSE=\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^2$

# 모듈 불러오기
from sklearn.metrics import mean_squared_error

# 성능 평가
print('MSE:', mean_squared_error(y_test, y_pred))

3) RMSE

$\large RMSE=\sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^2}$

# 모듈 불러오기
from sklearn.metrics import mean_squared_error

# 성능 평가
print('RMSE:', mean_squared_error(y_test, y_pred)**(1/2))

- 0.5 제곱 대신에 squared=False 옵션을 지정해도 됩니다.

# 모듈 불러오기
from sklearn.metrics import mean_squared_error

# 성능 평가
print('RMSE:', mean_squared_error(y_test, y_pred, squared=False))

4) MAPE

$\large MAPE=\frac{1}{n}\sum_{i=1}^{n}\left |\frac{y_{i}-\hat{y}_{i}}{y_{i}}\right |$

# 모듈 불러오기
from sklearn.metrics import mean_absolute_percentage_error

# 성능 평가
print('MAPE:', mean_absolute_percentage_error(y_test, y_pred))

5) R2-Score

$\large R^2=1-\frac{SSE}{SST}=1-\frac{\sum_{i=1}^{n}(y_{i}-\hat{y}_{i})^2}{\sum_{i=1}^{n}(y_{i}-\bar{y}_{i})^2}$

# 모듈 불러오기
from sklearn.metrics import r2_score

# 성능 평가
print('R2-Score:', r2_score(y_test, y_pred))

3. 분류 성능 평가

이 코드 하나로 전부 처리 가능

# 모듈 불러오기
from sklearn.metrics import classification_report

# 성능 평가
print(classification_report(y_test, y_pred))