[Python]머신러닝 Machine Learning MSE(평균 제곱 오차,Mean Squared Error ) 를 쓰는 이유

MSE

MSE(Mean Squared Error, 평균 제곱 오차 )는 회귀 모델의 성능을 측정하는 데 사용되는 지표 중 하나로, 예측 값과 실제 값 간의 평균 제곱 차이를 측정한다. 이 지표는 예측 모델이 얼마나 잘 작동하는지를 평가하고, 모델의 예측 오차를 수치화하여 제공한다.

 

 

1. 간단하고 직관적인 지표: MSE는 예측 값과 실제 값 사이의 차이를 제곱하여 평균한 값으로, 이해하기 쉽고 직관적이다.
2. 미분 가능한 손실 함수: MSE는 연속형 변수를 예측하는 회귀 문제에서 많이 사용되는 손실 함수이다. 이 함수는 미분 가능하므로 경사 하강법과 같은 최적화 알고리즘을 사용하여 모델을 학습시킬 수 있다.
3. 이상치에 민감하지 않음: MSE는 오차를 제곱하여 계산하므로 이상치(Outlier)에 민감하지 않다. 즉, 이상치가 있는 데이터에서도 안정적으로 작동할 수 있다.
4. 제곱 오차의 합을 최소화하는 것은 평균을 최소화하는 것과 동일함: 회귀 모델을 학습할 때 MSE를 최소화하는 것은 실제 값과 예측 값 사이의 오차를 줄이는 것과 동일다. 이는 모델이 전체 데이터셋의 평균을 최대한 잘 예측하도록 만든다는 의미다.
5. 수학적인 특성: MSE는 수학적으로 다루기 쉽고 여러 통계적인 속성을 가지고 있다. 이를 통해 모델의 성능을 분석하고 비교하는 데 유용하다.

이러한 이유로 MSE는 회귀 모델의 성능을 평가하는 데 많이 사용되며, 특히 오차의 제곱을 통해 모델의 예측 능력을 측정하는 데 유용합니다.

 

 

* mse의 수치가 실제 오차값보다 큰 경우도 있는데도 mse를 쓰는 이유는 오차범위를 넓게 확장 함으로써 데이터가 얼마나 차이나는지 쉽게 확인할 수 있기 때문이다.*