Deep Learning Academy · 강의

회귀를 위한 MSE와 MAE

목표값에서 멀어질수록 손실을 부과합니다

레슨 1/413개 단계

회귀를 위한 MSE와 MAE은(는) CoddyKit의 무료 Deep Learning 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 Deep Learning Academy 학습 경로의 일부이며, 진행 상황이 웹과 CoddyKit 앱에 동기화됩니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

이 강의의 일부는 아직 번역되지 않았으며 영어로 표시됩니다.

Regression Needs Its Own Loss

When your model predicts a number like a price or temperature, you need a regression loss that measures how far each guess lands from the true value. 📏

Meet Mean Squared Error

MSE squares every prediction error, then averages them. Squaring keeps all errors positive and punishes big misses much harder than small ones.

MSE in One Line

PyTorch gives you nn.MSELoss, so you never write the formula by hand. You pass predictions and targets and get a single scalar back.

import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)

Why Squaring Matters

Because MSE squares errors, an error of 4 counts 16x more than an error of 1. That makes MSE very sensitive to large mistakes and outliers.

Meet Mean Absolute Error

MAE averages the absolute size of each error instead of squaring it. Every mistake counts in proportion to how big it actually is.

MAE in PyTorch

Use nn.L1Loss for MAE. The name comes from the L1 norm, which simply sums absolute differences before averaging.

import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)

MAE Shrugs Off Outliers

Since MAE never squares anything, one wild outlier does not blow up the loss. That makes it the calmer, more robust choice for messy data.

MSE vs MAE: The Tradeoff

Pick MSE when big errors are truly worse and your data is clean. Pick MAE when outliers are noise you do not want to chase.

What the Number Means

A regression loss is in your target's units (squared for MSE). Lower is better, but compare it across models, not as an absolute score.

Huber: The Best of Both

Want robustness and smooth gradients? Huber loss acts like MSE for small errors and like MAE for large ones, blending both behaviors.

import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)

Match Loss to Output Shape

For regression your final layer outputs raw numbers with no activation. The loss compares those values straight to the targets.

Quick Check

One outlier is dominating your training. Which loss is most robust to it?

인터랙티브 레슨에서 답해보세요

Recap: Distance, Measured

You now read regression error two ways: MSE punishes big misses by squaring, while MAE stays steady against outliers. Match the loss to your data and you are set. 🎯

무료로 시작

AI 튜터와 함께 Python을(를) 배우세요 — 무료

브라우저에서 실제 코드를 작성하고 실행하며, 24/7 AI 튜터로부터 즉각적인 도움을 받고, 웹이나 앱에서 중단한 부분부터 계속 학습하세요.

코스: 30
레슨: 120

무료로 학습 시작 전체 코스 보기

자주 묻는 질문

“회귀를 위한 MSE와 MAE” 강의는 무료인가요?

네 — “회귀를 위한 MSE와 MAE” 전체 내용을 이 웹사이트에서 무료로 읽을 수 있습니다. 인터랙티브하게 실습하려면(내장 코드 에디터와 24/7 AI 튜터), CoddyKit PRO로 업그레이드하면 Deep Learning Academy 강의 전체를 잠금 해제할 수 있습니다. Deep Learning Academy 강의에는 총 4개의 강의가 포함되어 있습니다.

“회귀를 위한 MSE와 MAE”에서 뭘 배우나요?

목표값에서 멀어질수록 손실을 부과합니다 브라우저에서 직접 실행하는 실습 코드로 Deep Learning Academy을(를) 배우며, 24/7 AI 튜터가 강의를 진행하면서 질문에 답변해줍니다.

Deep Learning Academy을(를) 시작하는 데 경험이 필요한가요?

사전 경험은 필요하지 않습니다. CoddyKit의 Deep Learning Academy은(는) 초급자부터 고급 학습자까지를 위해 구성되어 있으므로, 여기서 시작하거나 처음부터 시작할 수 있으며 자신의 속도대로 진행할 수 있습니다. 이것은 4개 중 1번째 강의입니다.

“회귀를 위한 MSE와 MAE” 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 Deep Learning Academy 강의에서 코드를 작성하고 실행할 수 있나요?

네. 모든 Deep Learning 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

← Deep Learning Academy(으)로 돌아가기