1. Mean Absolute Error (MAE)
모든 오차에 동일한 가중치를 부여함.
이상치의 영향을 적게 받으면서 일반화 모델을 만들고자 할 때 적절함.
MAE는 이상치에 대해 강건robust하기 때문에 이상치에 영향을 덜 받는다.
2. Mean Squared Error (MSE)
이상치에 민감하게 반응하는 일반화 모델을 만들고자 할 때 적절함.
MSE는 이상치에 민감하게 반응하여 학습하기 때문에, 손실 함수가 이상치에 의해 발생한 오차로부터 비교적 많은 영향을 받는다.
현실 세계에는 많은 이상치가 있는데, 이상치에 민감하게 학습되기 때문에 학습 과정을 불안정하게함.
3. Root Mean Squared Error (RMSE)
RMSE는 MSE 보다 이상치에 대해 상대적으로 둔감하지만, 각 example에 제곱을 취한 뒤 평균을 구하고, 그것에 루트를 씌우는 것이기 때문에, 각 오차가 다른 가중치를 갖는다.
error가 크면 더 큰 가중치를, 작으면 더 작은 가중치를 준다는 점에서, 여전히 이상치에 민감하다고 간주될 수 있다.
따라서 모델 학습 시 이상치에 가중치를 부여하고자 한다면, MSE에 루트를 씌운 RMSE를 채택하는 것은 적절하다.
4. Mean Absolute Percentage Error (MAPE)
- 실제 값과 예측 값 간의 절대 차이를 평균.
- 이상치(outlier)에 덜 민감.
타겟 값에 이상치가 많거나, 평균 오차의 크기를 직관적으로 보고 싶을 때.
5. Symmetric Mean Absolute Percentage Error (sMAPE)
- MAPE의 단점을 보완하여 실제 값과 예측 값의 비대칭성을 줄임.
MAPE와 동일하지만, 0에 가까운 값이 포함된 데이터에서 더 나은 성능.
6. R-squared (R^2)
- 모델이 실제 값의 분산을 얼마나 설명하는지를 나타냄.
- R^2=1: 완벽한 예측, R^2=0: 평균값만큼도 못함, R^2<0: 무작위 예측보다 나쁨.
모델이 타겟 값의 변동성을 얼마나 잘 설명하는지 보고 싶을 때.
'머신러닝, 딥러닝' 카테고리의 다른 글
| [논문 매일 읽기 2일차] Deep learning (0) | 2024.12.18 |
|---|---|
| [논문 매일 읽기 1일차] Sequence to Sequence Learning with Neural Networks (1) | 2024.12.12 |
| 그래디언트 부스팅 결정 트리 모델 (0) | 2024.12.05 |
| 최적의 하이퍼 파라미터 검색 알고리즘 (0) | 2024.12.05 |
| KFold, Stratified KFold (0) | 2024.12.05 |