평가 지표
MAE(평균 절대 오차)
실제 값과 예측 값 차이 -> 절대값 평균
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, pred)
MSE(평균 제곱 오차)
실제 값과 예측 값 차이 -> 제곱해 평균
from sklearn.metrics import mean_squared_error
mean_squared_error(y_test, pred)
RMSE(MSE에 루트를 씌움)
MSE가 실제 오류보다 커지는 특성이 존재하여 루트 활용
import numpy as np
np.sqrt(mean_squared_error(y_test, pred))
RMSLE(RMSE에 로그 적용)
예측 값이 실제 값 보다 작을 때 더 큰 페널티 부여
ex) 배달 20분을 예측했는데 40분 걸리면 페널티
from sklearn.metrics import mean_squared_log_error
np.sqrt(mean_squared_log_error(y_test, pred))
R2(결정 계수)
실제 값의 분산 대비 예측 값의 분산 계산
1에 가까울수록 성능 좋음
from sklearn.metrics import r2_score
r2_score(y_test, pred)`
