회귀 모델에 대한 성능 평가 지표들

1. MAE (Mean Absolute Error)

실제 값과 예측 값의 차이를 절댓값으로 변환해 평균한 것

---

2. MSE (Mean Squared Error)

실제 값과 예측 값의 차이를 제곱해 평균한 것

---

3. RMSE (Root Mean Squared Error)

MSE 값은 오류의 제곱을 구하므로 실제 오류 평균보다 더 커지는 특성이 있어 MSE에 루트를 씌운 RMSE 값을 쓰는 것입니다.

---

4. R² (R Square)

R² 는 분산 기반으로 예측 성능을 평가합니다. 1에 가까울수록 예측 정확도가 높습니다.
R² = 예측값 Variance / 실제값 Variance

---

5. RMSLE (Root Mean Squared Logarithmic Error)

RMSE에 로그를 적용해준 지표입니다.

---

6. Python 코드로 구현

import numpy as np
from sklearn.metrics import mean_squared_error, r2_score, mean_absolute_error, mean_squared_log_error
#--------------------------------
origin = np.array([1, 2, 3, 2, 3, 5, 4, 6, 5, 6, 7])
pred = np.array([1, 1, 2, 2, 3, 4, 4, 5, 5, 7, 7])
#--------------------------------
MAE =  mean_absolute_error(origin, pred)
#MAE = 0.45454545454545453
#--------------------------------
MSE = mean_squared_error(origin, pred)
#MSE = 0.45454545454545453
#--------------------------------
RMSE = np.sqrt(MSE)
#RMSE = 0.674199862463242
#--------------------------------
MSLE = mean_squared_log_error(origin, pred)
#MSLE = 0.029272467607503516
#--------------------------------
RMSLE = np.sqrt(mean_squared_log_error(origin, pred))
#RMSLE = 0.1710919858073531
#--------------------------------
R2 = r2_score(origin, pred)
#R2 = 0.868421052631579