회귀 오차의 크기를 읽는 방법, 대안을 선택하는 기준 정리

평균 오차가 줄었어도 드물게 발생하는 큰 실수는 더 커졌을 수 있다.

문제를 푸는 방법이 둘 이상이면 기능의 개수만 비교하기 쉽다. 하지만 운영 중 설명할 수 있는지, 실패했을 때 되돌릴 수 있는지, 다음 동료가 고칠 수 있는지도 선택의 일부다. 이번에는 현재 조건에서 필요한 성질과 감수할 비용을 나누어 적는다.

장점과 비용을 함께 보기

MAE와 제곱 오차 기반 지표가 어떤 실수에 더 큰 비용을 부여하는지 구분한다. 단위와 분포를 함께 보고 업무에서 허용하는 오차 크기로 해석한다.

이번에 확인할 질문: 선택한 방법의 장점이 지금의 제약과 실제로 연결되어 있는가?

작게 확인하는 예제

다음 예제는 핵심 조건을 드러내기 위한 출발점이다. 서비스의 전체 구현을 대신하지 않으므로 실제 입력 범위와 실패 처리 규칙을 함께 읽어야 한다.

from sklearn.metrics import mean_absolute_error, mean_squared_error

mae = mean_absolute_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred) ** 0.5
print({'MAE': mae, 'RMSE': rmse})

오차가 큰 사례와 작은 사례를 나누어 보고, 목표값의 크기에 따라 오차 분포가 달라지는지 확인한다.

놓치기 쉬운 조건

데이터의 단위가 바뀌면 같은 지표 숫자도 의미가 달라진다. 평균 하나만 보고 특정 구간이나 집단의 큰 오차를 놓치지 않는다.

확인할 부분	살펴볼 내용
기준 동작	오차가 큰 사례와 작은 사례를 나누어 보고, 목표값의 크기에 따라 오차 분포가 달라지는지 확인한다.
비교 조건	입력과 실행 순서를 고정하고 한 번에 한 조건만 바꾼다.
적용 범위	예제가 생략한 의존성과 실제 서비스의 제약을 구분한다.

다음 변경에 적용할 순서

1. 필수 조건과 있으면 좋은 조건을 분리한다.
2. 선택하지 않은 대안이 유리해지는 상황도 한 가지 적는다.
3. 조건이 바뀌면 결정을 다시 검토할 시점을 남긴다.

다른 방법을 배제한 이유가 기록되어 있으면 같은 논의를 처음부터 반복하지 않아도 된다. 선택은 환경에 따라 달라질 수 있다. 무엇을 포기했는지 설명하는 문장이 구현을 이해하는 데 오히려 더 직접적인 도움이 될 때가 많다.