Regression Metric: MAE, RMSE, R²

~26 min · metrics, regression

Level 0Scout

0 XP0/48 lessons0/11 achievements

0/120 XP to next level120 XP to go0% complete

비즈니스 비용 매칭되는 metric 고르기

MAE(mean absolute error)는 평균 error magnitude. RMSE(root mean squared error)는 큰 error를 quadratic으로 처벌. R²는 explained variance 비율, dataset 사이 비교 가능 but unitless. 작고 큰 error가 비례적으로 아프면 MAE, 큰 error가 훨씬 더 아프면 RMSE, 매우 다른 문제 사이 비교 metric 필요하면 R².

대칭 vs 비대칭 비용

많은 실제 문제가 비대칭 error 비용. 재고 너무 적게 예측하면 잃은 매출 비용, 너무 많이는 storage 비용. MAE가 비대칭 잡는다고 가장 말고, asymmetry mirror 하는 quantile regression이나 custom loss를 써.

MAPE 경고

Mean absolute percentage error(MAPE)가 직관적이지만 target이 0 근처거나 0 있을 때 심하게 깨져. stakeholder가 % 고집하면 SMAPE, weighted MAPE, 또는 원 unit의 absolute error를 써.

Code

한 블록 안의 세 metric·python

from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score
import numpy as np

preds = model.predict(X_test)
mae = mean_absolute_error(y_test, preds)
rmse = np.sqrt(mean_squared_error(y_test, preds))
r2 = r2_score(y_test, preds)
print(f"MAE={mae:.3f}  RMSE={rmse:.3f}  R²={r2:.3f}")

비대칭 비용을 위한 quantile regression·python

from sklearn.linear_model import QuantileRegressor

# Predict the 90th percentile so we under-stock less often
model = QuantileRegressor(quantile=0.9, alpha=0.1).fit(X_train, y_train)

External links

Exercise

regression 문제에 대해, 크기 1 error의 비용과 크기 10 error의 비용을 적어. 그 비용 모양 mirror 하는 metric(MAE / RMSE / quantile / custom)을 골라. R² 혼자로 충분한지 정당화해.

Progress

Progress is local-only — sign in to sync across devices.

← PreviousLinear Regression 직관 Next →Underfitting, Overfitting, 그리고 Regularization

이 페이지에서 버그를 발견하셨거나 피드백이 있으세요?문제 신고

🔔 답글 알림 (로그인 필요)

로그인 — 댓글을 남기려면 로그인해 주세요.

아직 댓글이 없어요. 첫 댓글을 남겨보세요.