MSE는 예측값과 실제값의 차이를 제곱한 값의 평균으로 계산되는 지표입니다. MSE의 값은 제곱한 값이기 때문에, 실제 값과의 차이가 클수록 더 큰 값을 가지게 됩니다.
루트를 씌운 RMSE는 MSE 값에 루트를 취함으로써, MSE의 단위와 크기를 예측값과 실제값의 차이와 동일한 단위로 변환시키는 것입니다. 예를 들어, 만약 MSE가 25라면, RMSE는 5입니다. 이는 모델이 예측한 값과 실제 값의 차이가 평균적으로 5정도 된다는 것을 의미합니다.
따라서 RMSE는 모델이 예측한 값과 실제 값의 차이를 보다 직관적으로 해석할 수 있도록 도와주는 지표입니다. 모델 간의 성능을 비교할 때, MSE보다는 RMSE가 보다 유용한 지표가 될 수 있습니다.
# MAE
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, pred)
# MSE
from sklearn.metrics import mean_squared_error
mean_squared_error(y_test, pred)
# RMSE
import numpy as np
np.sqrt(mean_squared_error(y_test, pred))
# RMSLE
from sklearn.metrics import mean_squared_log_error
np.sqrt(mean_squared_log_error(y_test, pred))
# R2
from sklearn.metrics import r2_score
r2_score(y_test, pred)
Fantivation