• 관습적으로 $RMSE$를 많이 봄. 그러나 다 보자!
• 참고: https://velog.io/@tyhlife/머신러닝-회귀-모델의-평가-지표

오차의 비로 평가하기: $R^2$

: 평균 모델의 오차와 회귀 모델의 오차를 비교
$R^2 = \displaystyle \frac{SSR}{SST} = 1 - \frac {SSE}{SST}$

• $R^2$ (결정계수, 모델의 설명력)
• 평균 모델의 오차 대비 회귀 모델이 해결한 오차의 비율

• SST(Total Sum of Squres)
  • 평균 모델과 실제 값 과의 차이
• SSR(Regression Sums of Squares)
  • SSE(Explained Sums of Squares)라고 하는 경우도 있으므로, 약어를 외우기 보다는 내용에 신경쓸것
  • 평균 모델과 회귀모델과의 차이
• SSE(Error Sums of Squares)
  • SSR(Residual Sums of Squares)라고 하는 경우도 있으므로, 약어를 외우기 보다는 내용에 신경쓸것
  • 실제 값과 회귀모델 과의 차이

오차의 양으로 평가하기

$MSE$(Mean Squared Error): 오차 제곱의 평균

$\displaystyle \frac {\sum (y - \hat y)^2}{n}$

• 지수 연산시, +,- 를 +로.
• 큰 값은 더 크게, 작은 값은 더 작게.
  • 그래서 튀는 값에 민감함

$RMSE$(Root Mean Squared Error): 오차 제곱의 평균의 제곱근

$\displaystyle \sqrt{\frac {\sum (y - \hat y)^2}{n}}$

• $MSE$는 제곱한 값이니, 루트를 씌우겠다.
• 지수 연산시, +,- 를 +로.
• 큰 값은 더 크게, 작은 값은 더 작게.
  • 그래서 튀는 값에 민감함

$MAE$(Mean Absolute Error): 평균오차(절대값 오차의 평균)

$\displaystyle \frac {\sum|y - \hat y|}{n}$

• 설명하기에 good!
• 그냥 평준화

오차의 비율로 평가하기

$MAPE$(Mean Absolute Percentage Error): 평균오차율

$\displaystyle \frac {\displaystyle\sum \left|\frac{y - \hat y}{y}\right|}{n}$

• 그냥 평준화
• 100%를 곱하기도 하고 안하기도 함
• 무한대 가능