머신 러닝 성능 지표

회귀
1. MAE (Mean Absolute Error):
   - 예측값과 실제값의 차이 절대값의 평균
   - 이상치에 덜 민감

2. MSE (Mean Squared Error):
   - 예측값과 실제값의 차이 제곱의 평균
   - 큰 오차에 더 민감

3. RMSE (Root Mean Squared Error):
   - MSE의 제곱근
   - MAE보다 큰 오차에 더 민감, 원본 단위로 해석 가능

4. R-squared (결정 계수):
   - 모델이 데이터의 분산을 얼마나 잘 설명하는지 나타냄
   - 0~1 사이의 값, 1에 가까울수록 좋음

5. Adjusted R-squared:
   - R-squared를 변수의 수를 고려하여 조정
   - 과적합 방지에 도움

분류 
1. Accuracy (정확도):
   - 전머체 예측 중 올바른 예측의 비율
   - 클래스 불균형 문제에 취약

2. Precision (정밀도):
   - 양성으로 예측한 것 중 실제 양성의 비율
   - 거짓 양성(False Positive) 최소화에 중요

3. Recall (재현율):
   - 실제 양성 중 양성으로 예측한 비율
   - 거짓 음성(False Negative) 최소화에 중요

4. F1 Score:
   - 정밀도와 재현율의 조화 평균
   - 균형 잡힌 성능 평가 가능

5. AUC-ROC (Area Under the ROC Curve):
   - ROC 곡선 아래 영역의 넓이
   - 모델의 전반적인 성능을 단일 숫자로 요약

6. Confusion Matrix:
   - 예측 결과를 표 형태로 요약
   - True Positive, True Negative, False Positive, False Negative 제공

7. Log Loss:
   - 예측 확률과 실제 클래스 간의 차이 측정
   - 확률 예측의 품질 평가에 유용

회귀와 분류 모두 적용
1. Cross-validation 점수:
   - 여러 폴드에 대한 평균 성능
   - 과적합 감지와 일반화 성능 추정에 유용

2. 학습 곡선:
   - 훈련 세트 크기에 따른 성능 변화를 시각화
   - 과대적합/과소적합 진단에 유용