MAE(Mean Absolute Error)
\[MAE = \frac{1}{n} \sum_{i=1}^{n} |y_i - \hat{y}_i|\]MAE는 각 데이터 포인트에서 실제 값과 예측 값 간의 차이를 절대값으로 측정하고 이를 모든 데이터 포인트에 대해 평균낸 값 입니다. MAE 가 작을수록 모델의 예측이 더 정확하다고 평가합니다.
장단점
- 직관적인 지표
- 이상치에 민감하지 않음.
다만 오차의 크기를 평균화 하기 때문에 오차의 크기에 대한 정보를 상실할 수 있습니다. 예를 들어 예측 오차가 대부분 작은데 일부 큰 오차가 있을 때 이를 무시하고 평균화 할 수 있습니다.
MAE는 회귀(regression) 문제에서 주로 사용되고 모델의 성능을 평가하는데 사용함.
MSE(Mean Sequare Error)
\[MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2\]MSE는 각 데이터 포인트에서 예측 값과 실제 값 간의 차이를 제곱한 후, 이를 모든 데이터 포인트에 대해 평균화한 값입니다. 제곱하여 사용하므로 오차의 크기에 민감합니다.
장단점
- 제곱을 사용하여 오차의 크기에 대한 민감도가 높다. 큰 오차가 발생하면 이를 강조하여 모델의 성능을 평가합니다. 미분 가능하여 경사 하강법(Gradient Descent)같은 최적화 알고리즘에서 사용 가능.
제곱을 사용하여 이상치(outlier)에 민감 합니다. 이상치가 모델의 성능 평가에 큰 영향 미칠 수 있음.