분류랑 평가 (5)

학습 목표

이 강의를 통해 회귀 모델의 성능을 평가하는 다양한 지표들을 이해하고, 각 지표의 특성과 활용 방안을 학습합니다. 특히 R-squared (R2) 지표의 의미와 계산 방식을 깊이 있게 파악하고, 주가 예측과 같은 금융 시계열 데이터의 특성상 회귀 모델 성능 평가가 어려운 이유를 이해합니다.

핵심 개념

• 회귀 모델 평가 지표: MAE, RMSE, MSE, R2 등 다양한 회귀 모델 평가 지표의 정의와 계산 방식을 배웁니다.
  • MAE (Mean Absolute Error): 예측값과 실제값의 절대 오차 평균. 해석이 직관적이고 이상치에 덜 민감합니다.
  • MSE (Mean Squared Error): 예측값과 실제값의 오차 제곱 평균. 큰 오차에 큰 벌점을 주며, 단위가 제곱이라 해석이 어렵습니다.
  • RMSE (Root Mean Squared Error): MSE에 제곱근을 씌워 원래 단위로 복원한 값. MSE의 장점을 가지면서 해석이 용이합니다.
  • R2 (R-squared): 결정 계수. 모델이 데이터의 분산을 얼마나 잘 설명하는지를 나타내는 지표로, 0과 1 사이의 값을 가지며 1에 가까울수록 좋습니다. R2 = 1 - (모델의 오차 / 평균으로 예측했을 때의 오차)
• 금융 시계열 데이터의 특성: 주가, 환율 등 금융 시계열 데이터는 외부 요인의 영향을 많이 받아 예측이 어렵습니다. 따라서 이러한 데이터에서는 평균 예측보다 조금 더 나은 성능을 보여도 좋은 값으로 간주될 수 있습니다.
• 지도 학습 vs 비지도 학습: 머신러닝의 두 가지 큰 축인 지도 학습(분류, 회귀)과 비지도 학습의 개념을 복습하고, 모델 평가의 중요성을 강조합니다.

공부 방향성

본 강의 시청 전, 회귀 모델의 기본적인 개념과 학습 과정에 대한 이해가 있다면 더욱 효과적으로 학습할 수 있습니다. 강의를 통해 다양한 평가 지표를 익히고, 특히 R2 지표의 의미를 정확히 파악하는 데 집중하세요. 금융 데이터 예측의 어려움을 이해하고, 실제 모델 구축 시 어떤 평가 지표를 선택하고 해석해야 할지에 대한 통찰력을 얻을 수 있습니다. 이후에는 분류 모델의 평가 지표나 다른 머신러닝 알고리즘으로 학습을 확장해 나갈 수 있습니다.