RL Researcher

1. Overfitting이란? 복잡한 모형일수록, 데이터가 적을수록 Overfitting이 일어나기 쉬움 (학습데이터에 너무 잘 맞은 나머지 검증데이터에 맞지 않은 것) 2. 과적합(Overfitting) 분산(Variance)과 편향(Bias)의 트레이드오프(Tradeoff) 모형$\hat{f}(X)$로 모집단의 전체 데이터를 예측할 때 발생하는 총 Error를 계산하면 reducible error(돌이킬 수 있는 에러)와 irreducible error(돌이킬 수 없는 에러)로 표현되며, reducible error는 다시 분산과 편향으로 구성 $$E(Y-\bar{Y})^{2} = E[f(X)+\epsilon -\hat{f}(X)]^{2} = Var(\hat{f}(X)) + [Bias(\hat{f}..

1. 결정계수(R2) 결정계수(R2)는 회귀모형의 예측능력을 평가하는 대표적인 지표입니다. 결정계수는 추정한 선형 모형이 주어진 자료에 적합한 정도를 재는 척도입니다. 반응 변수(Y)의 분산 중에서 적합한 모형이 설명가능한 부분의 비율을 말합니다. $$R^{2} = \frac{SSR}{SST} = \frac{1- SSE}{SST}$$ 결정계수(R2)의 범위는 0 ~ 1 까지며 수식에서 보듯이 예측모형의 편차가 전체 데이터의 편차를 모두 대신할 수 있으면 결정계수(R2)가 1입니다. 즉 모형의 예측 정확도가 높아지면 결정계수가 1에 가까워진다는 의미입니다. ( 0에 가까울수록 설명력이 낮고, 1에 가까울수록 설명력이 높다.) 2. SST SST 는 Sum of Square Total로 편차의 제곱합입니다...

1. MAE(Mean Absolute Error) MAE(Mean Absolute Error)는 절대 평균 오차라고 부릅니다.(오차(Loss) : 실제 결과값과 예측값의 차이) $$MAE = \frac{1}{N}\sum \left |y^{'}-y \right |$$ 평가 방법은 각 측정값과 실제값과 실제값 사이의 절대 오차를 구하고, 구한 오차들을 모두 더합니다. 그 후 이를 절대 오차의 평균을 구합니다. *MSE(Mean Squared Error)는 회귀에서 자주 사용되는 손실함수입니다. 일반적인 회귀 지표는 MAE(Mean Absolute Error)입니다. ※ 위의 말을 쉽게 설명하면 MSE는 손실함수로 쓰이고, MAE는 회귀지표로써 사용됩니다. 다음은 이제 파이썬으로 구현해 보겠습니다. # 모듈 ..

1. 평균 제곱근 오차(Root Mean Squared error) $$RMSE = \sqrt{RMSE} = \sqrt{\frac{(y_{i}-t_{i})^{2}}{n}}$$ RMSE란 정밀도를 확인하기 위한 수치 중 하나입니다. 컴퓨터(Machine)가 추정한 값 또는 모델이 예측한 값과 실제 정답의 값(Label)의 차이를 다룰 때 흔히 사용합니다. 추정값과 실제값의 차이를 잔차(residual)라고 합니다. 평균 제곱은 오차(RMSE)는 잔차들을 하나의 측도로 종합할 때 사용합니다.(※ RMSE는 회귀 모델일 때 흔히 사용합니다.) 다음은 평균 제곱근 오차(RMSE)의 코드를 python에서 구현해 보겠습니다. MSE의 예제를 이용해서 구현해보도록하겠습니다. # Module import import..