[회귀모델 성능평가지표] MAE, MSE, RMSE, R2 Score

분류 모델의 성능을 평가하기 위해서 주로 Accuracy, Precision, Recall 을 사용합니다. 하지만 회귀모델의 경우 어떻게 성능을 평가할 수 있을까요?

대표적인 회귀 모델(Regression) 의 성능 평가 지표에 대해 알아보겠습니다.

1. MAE (Mean Absolute Error)

회귀모델에서는 얼마나 정확하게 예측을 했는지가 중요합니다. 동일하게 예측하면 가장 좋고, 아닐경우에는 가장 가깝게 예측하는 것이 좋을 것입니다.

따라서 성능평가를 위해서는 실제값과 예측값을 비교해야합니다.

• 먼저 실제값에서 예측값을 빼야 오차가 됩니다.
• 각 오차는 음수값을 가지지 않도록 절대값을 취해줍니다.
• 오차를 모든 예측값에 대해 구해야하므로, 시그마를 취해서 오차들을 모두 더합니다.
• 오차의 전반적인 분포 확인을 위해 평균 구합니다.

특징

• 모델의 예측값과 실제값 차이(Error) 를 절대값으로 변환하여 평균한 것
• Error에 절대값을 취하기 때문에 에러의 크기 그대로 반영
• 에러에 따른 손실이 선형적으로 올라갈 때 적합
• 이상치가 많을 때 사용하기 적합

from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_test, y_pred)

2. MSE (Mean Squared Error)

음수가 되는 오차값을 만들지 않는 방법은 절대값 말고도 제곱을하는 방법이 있습니다.

• MAE 에서 실제 값과 예측 값의 차이(Error)를 제곱해 평균한 것

특징

• 특이값이 존재하면 수치가 많이 늘어남
• 에러에 제곱을 하기 때문에 에러가 크면 클수록 그에 따른 가중치가 높이 반영

from sklearn.metrics import mean_squared_error 
mean_squared_error(y_test, y_pred)

3. RMSE (Root Mean Squared Error)

• MSE 값은 오차의 제곱을 구하므로 값이 커짐 그래서 MSE (Mean Squared Error)에 루트를 씌운 RMSE (Root Mean Squared Error) 값을 사용

특징

• MAE와 함께 가장 일반적으로 많이 쓰이는 회귀모델 성능분석지표
• 에러에 따른 손실이 기하 급수적으로 올라가는 상황에서 쓰기 적합

from sklearn.metrics import mean_squared_error 
MSE = mean_squared_error(y_test, y_pred) 
np.sqrt(MSE)

4. R2 Score (Coefficient of Determination )

위 세가지 지표는 Error 값이기 때문에 값이 작을 수록 좋습니다.

하지만 R2 Score는 다릅니다.

특징

• 값이 1에 가까울 수록 성능이 좋음