평균 제곱 오차 (MSE)

회귀 모델의 성능을 평가할 때는 단순한 정확도보다 예측 값과 실제 값 간의 오차를 측정하는 것이 중요합니다.

이러한 오차를 측정하는 대표적인 지표 중 하나가 MSE(Mean Squared Error, 평균 제곱 오차)입니다.

이번 수업에서는 이전 시간에 간단히 언급헀던 MSE는 모델이 예측한 값과 실제 값 사이의 차이를 제곱한 후 평균을 구한 값입니다.

MSE는 다음과 같은 공식으로 계산됩니다.

$$\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$$

여기서 각 항목은 다음과 같은 의미를 가집니다.

• $n$ : 데이터 샘플의 개수

• $y_i$ : 실제 값(정답)

• $\hat{y}_i$ : 모델이 예측한 값

이와 같이 평균 제곱 오차는 각 데이터 샘플에서 모델이 예측한 값과 실제 값의 차이를 제곱한 후, 모든 샘플에 대해 평균을 구합니다.

Copy
실제 값: [10, 20, 30]
예측 값: [15, 25, 35]

MSE = ((10-15)² + (20-25)² + (30-35)²) / 3
    = (25 + 25 + 25) / 3
    = 75 / 3
    = 25

MSE는 모델의 예측값이 실제 값과 얼마나 가까운지를 측정하는 지표입니다.

MSE 값이 작을수록 예측이 실제 값과 가까우며, 모델의 성능이 우수하다고 볼 수 있습니다.

반대로, MSE 값이 크다면 모델이 실제 값을 잘 예측하지 못하고 있다는 의미입니다.

제곱을 사용하는 이유는 오차의 부호(양수/음수)를 무시하고 오차의 크기만 반영하기 위해서입니다.

또한, 큰 오차에 더 큰 패널티를 부여하여 극단적으로 틀린 예측을 더 중요하게 고려할 수 있도록 합니다.

MSE는 회귀 모델의 성능을 평가하는 데 매우 유용하지만, 몇 가지 단점이 있습니다.

큰 오차 값이 있을 경우 전체 MSE 값이 급격히 증가할 수 있습니다.

따라서 이상치(Outlier)가 많은 데이터에서는 MSE가 모델 평가에 적절하지 않을 수도 있습니다.

MSE는 오차를 제곱한 값이므로, 원래 데이터의 단위와 다를 수 있습니다.

예를 들어, 실제 값이 cm 단위라면 MSE의 단위는 cm²가 됩니다.

이를 해결하기 위해 MSE의 제곱근을 취한 평균 제곱근 오차(RMSE)를 사용하기도 합니다.

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2}$$

위와 같이 평균 제곱 오차값에 제곱근을 취하면, 오차의 단위와 실제 값의 단위가 일치하게 됩니다.

다음 수업에서는 MSE의 단점을 보완하는 평균 절대 오차(MAE)에 대해 알아보겠습니다.