20.08.05 14:11 작성
·
5.5K
0
우선 질 좋은 강의에 항상 감사인사 드립니다!
다름이 아니라 regression metric 지표로서 R2 score를 사용한다고 했습니다!
이 R2 score가 통계학에서는 결정계수라고 불리는데 머신러닝 분야에서도 통계학에서 의미하는 바랑 동일한가요?
통계학에서의 선형회귀 파트에서 결정계수를 다룰 때 결정계수란, 주어진 데이터들에 기반해 만들어진 선형(linear)이 주어진 데이터들을 얼마나 잘 '설명하는가'에 대한 수치라고 알고 있습니다!
그런데 강의자료에서 보시면 머신러닝 분야에서 즉, regression 모델 예측성능을 측정할 때 사용하는 R2 score가 '실제 값의 분산 대비 예측값의 분산 비율'이라고 정의해주셨는데 이렇게 되면 통계학에서 내리는 R2 score(결정계수)의 정의에서, '주어진 데이터들을 기반으로 만들어진 선형'이라는 게 '예측값' 이고 '주어진 데이터'가 '실제값' 이렇게 매핑되는 건가요..?
머신러닝 분야와 통계학 사이에서 자꾸 헷갈리는 것 같습니다..
답변 2
0
0
2020. 08. 05. 20:57
안녕하십니까,
머신러닝, 통계학의 r2 score는 둘다 동일한 사항입니다.
R2 Score를 자세히 설명드리려면 통계학적인 기반 설명이 많아야 해서 축약해서 설명 드린것 이었습니다. 식으로 표현하면 회귀 제곱합(SSR) / 총제곱합(SST) 를 각각 다 설명해야 하는데, 이것 설명이 길어질것 같아 직관적으로 축약해서 말씀드린것 이었는데 충분히 오해를 불러 일으킬 수 있을 것 같습니다.
R2 Score가 결정계수라고 불리는 이유는 위에도 잘 적어 주셨습니다. 좀 더 직관적으로 말씀드리면 회귀로 '설명 가능한 분산(또는 편차)' 라고 할 수 있습니다. 총제곱합은 관측값과 평균의 차이에서 기반하고 회귀제곱합은 회귀예측값과 평균의 차이에서 기반하기 때문에 일반적으로 '실제 값의 분산 대비 예측값의 분산 비율' 로 정의합니다.
요약하자면 R2 Score는 회귀 모델이 얼마나 '설명력' 이 있느냐를 의미합니다. 그리고 그 설명력은 SSR/SST 식이지만 '실제 값의 분산 대비 예측값의 분산 비율' 로 요약 될 수 있으며, 예측 모델과 실제 모델이 얼마나 강한 상관관계(Correlated)를 가지는가로 설명력을 요약할 수도 있습니다.
감사합니다.