Random Forests^® 회귀 분석에 대한 모형 요약 표

R²는 모형에서 설명하는 반응의 변동 비율입니다.

해석

R² 결정계수를 사용하여 모형이 데이터를 얼마나 적합시키는지 확인합니다. R² 결정계수 값이 높을수록 모형이 데이터를 더 잘 적합시킵니다. R² 결정계수는 항상 0%에서 100% 사이입니다.

서로 다른 R² 결정계수 값의 의미를 그래픽으로 설명할 수 있습니다. 첫 번째 그림은 반응에서 변동의 85.5%를 설명하는 단순 회귀 분석 모형을 보여줍니다. 두 번째 그림은 반응에서 변동의 22.6%를 설명하는 모형을 보여줍니다. 모형에 의해 설명되는 변동이 많을수록 데이터 요소가 적합치에 가까워집니다. 이론적으로 모형이 변동의 100%를 설명할 수 있는 경우 적합치는 항상 관측치와 같으며 모든 데이터 요소가 y = x 선에 해당합니다.

참고

Random Forests®는 OOB 데이터를 사용하여 R^2를계산하지만 모형을 적합하지 않기 때문에 모형이 과도 적합해도 문제가 되지 않습니다.

루트 평균 제곱 오차(RMSE)는 모형의 정확도를 측정합니다. 특이치는 MAD 및 MAPE보다 RMSE에 더 큰 영향을 미칩니다.

평균 제곱 오차(MSE)는 모형의 정확도를 측정합니다. 특이치는 MAD 및 MAPE보다 MAPE에 더 큰 영향을 미칩니다.

평균 절대 편차(MAD)는 데이터와 동일한 단위로 정확도를 표현하므로 오차 양을 개념화하는 데 도움이 됩니다. 특이치는 R² 결정계수, RMSE 및 MSE보다 MAD에 미치는 영향이 적습니다.

평균 절대 백분율 오차(MAPE)는 반응 값의 크기에 대한 오차의 크기를 표현합니다. 따라서 크기가 동일한 오차는 더 큰 값보다 반응 변수의 더 작은 값에 대해 MAPE 값이 더 큽니다. MAPE는 백분율이므로 다른 정확도 측정 통계보다 이해하기가 더 쉬울 수 있습니다. 예를 들어 MAPE가 평균적으로 0.05인 경우 모든 사례에 걸쳐 적합 오차와 실제 값 간의 평균 비율은 5%입니다. 특이치는 R² 결정계수, RMSE 및 MSE보다 MAPE에 미치는 영향이 적습니다.

그러나 트리가 데이터를 잘 적합하는 것처럼 보이더라도 매우 큰 MAPE 값이 표시될 수 있습니다. 적합 대 실제 반응 값 그림을 검사하여 데이터 값이 0에 가까운지 확인합니다. MAPE는 절대 오차를 실제 데이터로 나누기 때문에 0에 가까운 값은 MAPE를 크게 팽창시킬 수 있습니다.