(평가 척도) 모델 검증은 실제값과 예측값의 차이를 수치적으로 확인 하기 위해 기준값을 사용
- MAE(Mean Absolute Error)는 절대 오차값 평균으로 직관적인 평가 가능하지만 오차의 크기에 대한 민감성이 없음
- MSE(Mean Squared Error)는 오차값 제곱의 평균으로, 1보다 큰 오차값은 실제보다 더 커지는 특성이 있음.
- RMSE(Root Mean Square Error)는 MSE의 특성을 보정하기 위해 Root를 씌운 값으로 오차의 크기에 대해 민감성을 표현함.
- RMSLE(Root Mean Square Logarithmic Error)는 MSE와 반대로 과대평가된 항목보다 과소평가 된 항목에 패널티를 주는 개념으로 값이 작을수록 정밀도가 높음.
- MPE(Mean Percentage Error)는 MAE의 절대값을 제외하여 각 기법별 추정 경향을 식별할 수 있음.
모델 성능 비교 예시
- 랜덤포레스트 기법을 이용한 SW 기능점수 학습 결과 비
- 기상 데이터 학숩 결과 비교
※ 인공 지능 분류와 평가 척도
인공지능 분류와 평가 척도 AI and evaluation metric
Compuer Vision Depth Estimation Model : N/A Image classification : Accuracy, Recall, Precision, F1 score Image Segmentation : Average Precision(AP), Mean Average Precision(mAP), Mean Intersection over Union(IoU), APα(ex AP50, AP75) Image-to-image: Peak Si
dase.tistory.com
'무기체계와 컴퓨터 > 인공지능과 머신러닝 AI Machine Learning' 카테고리의 다른 글
| 인공지능 (머신러닝) 시사점 (0) | 2023.10.02 |
|---|---|
| 메타모픽 테스팅 Metamorphic Testing (0) | 2023.10.02 |
| 분류 메트릭 혼동 행렬 (Confusion Matrix) (0) | 2023.10.02 |
| 딥러닝 기반 인공지능 언어모델 (0) | 2023.10.02 |
| 기계 학습 (0) | 2023.09.23 |