[python] SciPy를 사용하여 예측 성능 평가하기

23 Nov 2023

머신러닝 모델의 예측 성능을 정확하게 평가하기 위해 SciPy를 사용하는 방법에 대해 알아보겠습니다. SciPy는 파이썬의 과학 계산용 라이브러리로, 다양한 통계 기능을 제공합니다.

예를 들어, 회귀 모델을 통해 예측한 값과 실제값 사이의 오차를 측정하고 싶다고 가정해봅시다. 이때 사용할 수 있는 몇 가지 평가 지표가 있습니다.

평균 제곱 오차(MSE, Mean Squared Error): 예측값과 실제값 사이의 차이를 제곱한 후 평균을 구하는 방식으로 오차를 측정합니다. 낮을수록 좋은 성능을 나타냅니다.
```
 from sklearn.metrics import mean_squared_error
    
 # 예측값과 실제값을 넣어 MSE 계산
 mse = mean_squared_error(y_true, y_pred)
```
평균 절대 오차(MAE, Mean Absolute Error): 예측값과 실제값 사이의 차이를 절댓값으로 변환하여 평균을 구하는 방식으로 오차를 측정합니다. 낮을수록 좋은 성능을 나타냅니다.
```
 from sklearn.metrics import mean_absolute_error
    
 # 예측값과 실제값을 넣어 MAE 계산
 mae = mean_absolute_error(y_true, y_pred)
```
결정 계수(R^2 score): 예측값이 실제값을 얼마나 잘 설명하는지를 나타내는 지표입니다. 1에 가까울수록 예측 성능이 우수합니다.
```
 from sklearn.metrics import r2_score
    
 # 예측값과 실제값을 넣어 R^2 score 계산
 r2_score = r2_score(y_true, y_pred)
```

위의 코드에서 y_true는 실제값, y_pred는 예측값을 나타냅니다. 이러한 평가 지표를 사용하여 모델의 예측 성능을 수치화할 수 있으며, 이를 바탕으로 모델을 개선하거나 다른 모델과 비교할 수 있습니다.

더 많은 정보를 알고 싶다면 다음 참고 자료를 확인해보세요: