회귀 평가지표: MAE, MSE, R2
수치 예측 오차를 측정합니다
회귀 평가지표: MAE, MSE, R2은(는) CoddyKit의 무료 Data Science Academy 강의입니다. 이것은 4개 중 1번째 강의입니다. 아래에서 전체 강의를 무료로 읽을 수 있으며, 내장 코드 에디터와 24/7 AI 튜터와 함께 브라우저에서 직접 실습할 수 있습니다. 이 강의는 Data Science Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.
Why Measure Error
When a model predicts numbers, you need one honest score for how far off it is. That score is an error metric, your truth-teller. 📏
The Residual Idea
Start with the residual: the gap between the true value and the predicted one. Every regression metric is just a way to summarize these gaps.
residual = y_true - y_predMean Absolute Error
MAE takes the size of each error, ignores the sign, and averages them. It tells you the typical miss in the same units as your target.
from sklearn.metrics import mean_absolute_error
mean_absolute_error(y_true, y_pred)MAE Is Easy to Explain
Because MAE stays in real units, you can say the model is off by about 5 dollars on average. Stakeholders love that plain reading.
Mean Squared Error
MSE squares each error before averaging. Squaring punishes big misses much harder, so a few large errors dominate the score.
from sklearn.metrics import mean_squared_error
mean_squared_error(y_true, y_pred)Squaring Changes the Units
One catch: MSE is in squared units, so dollars become squared dollars. The number is hard to interpret on its own.
Root Mean Squared Error
Take the square root of MSE to get RMSE, back in normal units. It keeps the heavy penalty on big errors but reads cleanly.
rmse = mean_squared_error(y_true, y_pred) ** 0.5MAE vs RMSE
Choose MAE when every error matters equally, and RMSE when large mistakes are especially costly and you want them penalized more.
The R-Squared Score
R2 asks a different question: what fraction of the variation in the target your model explains. Higher means a better fit.
from sklearn.metrics import r2_score
r2_score(y_true, y_pred)Reading R-Squared
An R2 of 1.0 is perfect, 0.0 is no better than guessing the mean. It can even go negative when a model fits worse than that.
Use Them Together
No single number tells the whole story. Pair an error metric like RMSE with R2 to see both the typical miss and the overall fit.
Quick Check
Let's pin down what each regression metric really measures.
Recap
Use MAE for plain average error, RMSE to punish big misses, and R2 for fraction of variance explained. Read them together. 🎯
자주 묻는 질문
“회귀 평가지표: MAE, MSE, R2” 강의는 무료인가요?
네 — “회귀 평가지표: MAE, MSE, R2” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Data Science Academy 강의 전체를 잠금 해제할 수 있습니다. Data Science Academy 강의에는 총 4개의 강의가 포함되어 있습니다.
“회귀 평가지표: MAE, MSE, R2”에서 뭘 배우나요?
수치 예측 오차를 측정합니다 브라우저에서 직접 실행하는 실습 코드로 Data Science Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.
Data Science Academy을(를) 시작하는 데 경험이 필요한가요?
사전 경험은 필요하지 않습니다. CoddyKit의 Data Science Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.
“회귀 평가지표: MAE, MSE, R2” 강의는 얼마나 걸리나요?
대부분의 CoddyKit 강의는 약 5~10분이 소요됩니다. 각 강의는 간결하고 인터랙티브하여 꾸준한 진행이 가능하며, 웹과 앱에서 중단한 부분부터 바로 시작할 수 있습니다.
이 Data Science Academy 강의에서 코드를 작성하고 실행할 수 있나요?
네. 모든 Data Science Academy 강의에는 내장 코드 에디터가 포함되어 있으므로, 브라우저에서 바로 실제 코드를 작성하고 실행한 후 즉시 AI 피드백을 받을 수 있습니다 — 로컬 설정이 필요 없습니다.
이 강의의 모든 강의
- 회귀 평가지표: MAE, MSE, R2
- 혼동 행렬 해석하기
- 정밀도, 재현율, F1
- ROC, AUC, 임계값