MAE 개요 MAE(Mean Absolute Error, 평균 절대 오차)는 회귀(regression) 문제에서 예측값과 실제값 사이의 오차를 평가하는 대표적인 지표 중 하나입니다. 인공지능 모델, 특히 회귀 모델의 성능을 측정할 때 널리 사용되며, 오차의 절대값을 평균하여 계산하므로 해석이 직관적이고 이해하기 쉬운 장점이 있습니다. MAE는 예측 오차의 …
검색 결과
"예측 오차"에 대한 검색 결과 (총 26개)
빔 추적 개요 빔 추적(Beam Tracking)은 무선 통신 시스템, 특히 빔포밍(Beamforming) 기술이 적용된 고주파 대역(밀리미터파, mmWave 등) 통신에서 핵심적인 역할을 하는 기술이다. 이는 송신기와 수신기 간의 상대적인 위치 변화나 환경 변화에 따라 최적의 빔 방향을 지속적으로 조정하여 통신 품질을 유지하는 과정을 의미한다. 특히 5G…
차분 차수 (Differencing Order) 1. 개요 차분 차수(Differencing Order)란 시계열 데이터의 비정상성(Non-stationarity)을 제거하여 [[정상성]](Stationarity)을 확보하기 위해, 인접한 시점의 데이터 값들의 차이를 구하는 연산을 반복 수행한 횟수를 의미한다. 시계열 분석에서 정상성이란 시간의 흐름에 따라…
공정성 개요 인공지능(A)의 공정성(Fair)은 AI 시스템이 개인 집단에 대해 차별적이거나 편향된 결정을 내리지 않도록 보장하는 핵심 윤리 원칙입니다. AI 기술이 의료, 채용, 금융, 사법 등 민감한 분야에 광범위하게 적용되면서, 시스템의 판단이 특정 인종, 성별, 연령, 지역, 사회경제적 지위 등에 따라 불공정한 결과를 초래하지 않도록 하는 것이 점점…
표준편차 개요 표준편차(Standard Deviation)는 통계학에서 데이터의 분산도를 측정하는 대표적인 지표로, 평균값을 중심으로 데이터가 얼마나 퍼져 있는지를 수치화한 값이다. 이 개념은 과학적 연구, 금융 분석, 공학 등 다양한 분야에서 활용되며, 특히 회귀분석에서 모델의 예측 정확도를 평가하는 데 중요한 역할을 한다. 정의 및 개념 수학적 정의 표…
SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors) 1. 개요 SARIMAX는 시계열 데이터의 자기상관성, 추세, 계절성뿐만 아니라 외부 요인(외생 변수)까지 동시에 고려하여 미래 값을 예측하는 통계적 시계열 분석 모델이다. 이 모델은 전통적인 ARIMA(…
The Elements of Statistical Learning (ESL) 1. 개요 The Elements of Statistical Learning (ESL)은 통계적 학습 이론(Statistical Learning Theory)의 수학적 기초와 머신러닝(Machine Learning, 이하 ML) 알고리즘의 원리를 체계적으로 다룬 학술 서적으로, 데…
예측 불확실성 (Predictive Uncertainty) 1. 개요 예측 불확실성(Predictive Uncertainty)이란 통계적 모델이나 머신러닝 알고리즘이 특정 입력값에 대해 출력값을 예측할 때, 그 예측 결과가 얼마나 불확실한지를 나타내는 척도이다. 일반적으로 '예측 오차(Prediction Error)'가 실제 정답과 예측값 사이의 거리라는 …
ARIMA (자기회귀 누적 이동평균 모델) 1. 개요 ARIMA(AutoRegressive Integrated Moving Average) 모델은 시계열 데이터의 과거 값과 예측 오차를 이용하여 미래의 값을 예측하는 통계적 분석 모델이다. 특히 비정상 시계열을 차분을 통해 정상 시계열로 변환하여 분석하는 모델이라는 점이 핵심적인 정체성이다. 시계열 데이터가…
SARIMA (Seasonal AutoRegressive Integrated Moving Average) 1. 개요 SARIMA는 시계열 데이터의 추세(Trend)뿐만 아니라 주기적으로 반복되는 계절성(Seasonality) 패턴을 동시에 모델링하기 위해 설계된 통계적 예측 모델이다. 기존의 [[ARIMA]](AutoRegressive Integrated …
편향 요 머신러닝에서 편향(Bias)은 모델이 학습 데이터에서 실제 패턴을 얼마나 정확하게영하는지를 나타내는 중요한 개념이다. 일반적으로 편향은 모델의 예측 값과 관측 값 사이의 평균적인 차이를 의미하며, 낮은 편향은 모델이 데이터를 잘 학습하고 있음을, 높은 편향은 모델이 데이터의 실제 구조를 간과하고 있다는 것을 나타낸다. 편향은 머신러닝 모델의 성능을…
모델 훈련 개요 모델 훈련(Model)은 머신닝(Machine Learning) 핵심 과정, 주어진 데이터를 기반으로 모델이 특정 작업을 수행할 수 있도록 학습시키는 절차를 의미합니다. 이 과정에서 알고리즘은 입력 데이터와 정답(라벨) 사이의 관계를 학습하여, 새로운 데이터에 대해 정확한 예측이나 판단을 내릴 수 있는 능력을 획득하게 됩니다. 모델 훈련은 …
RSS (Residual Sum of Squares) RSS(Residual Sum of Squares, 잔차 제곱합)는 통계학, 특히 회귀분석(Regression Analysis)에서 통계 모델의 적합도(Goodness of Fit)를 평가하는 핵심 지표 중 하나입니다. RSS는 관측된 데이터 값과 모델이 예측한 값 사이의 차이인 잔차(Residual)들…
가중치 (Weight) 가중치(Weight)는 인공 신경망(Artificial Neural Network, ANN) 및 머신러닝 모델에서 입력 데이터의 중요도를 결정하는 핵심 매개변수입니다. 신경망이 학습을 통해 데이터를 이해하고 예측하는 과정에서 가장 중요한 역할을 하며, 모델의 성능을 결정짓는 가장 큰 요소 중 하나입니다. 이 문서에서는 가중치의 정의,…
XGBoost 개요 XGBoost(Extreme Gradient Boosting)는 효율적이고 확장 가능한 그래디언트 부스팅 라이브러리로, Tianqi Chen과 공동 연구진에 의해 2014년 공개되었습니다. 데이터 과학 경진대회(Kaggle 등)와 산업 현장 모두에서 높은 예측 성능과 학습 속도로 널리 사용되고 있으며, 현재까지 머신러닝 생태계에서 가장 …
Concrete Dropout 개요 Concrete Dropout는 심층 신경망에서 드롭아웃(Dropout)의 비율을 고정된 하이퍼파라미터가 아닌 학습 가능한 파라미터로 자동 최적화하는 머신러닝 기법입니다. 2017년 Alexey Gal과 Zoubin Ghahramani가 제안한 이 방법은 베이지안 신경망(Bayesian Neural Networks)의 근…
LightGBM LightGBM은 마이크로소프트에서 개발한 고성능의 경량 그래디언트 부스팅 프레임워크로, 대규모 데이터셋에서도 빠르고 효율적인 학습을 가능하게 하는 머신러닝 알고리즘입니다. 특히 분류, 회귀, 순위 예측 등 다양한 머신러닝 과제에서 뛰어난 성능을 보이며, XGBoost, CatBoost 등과 함께 대표적인 그래디언트 부스팅 트리(Gradie…
편향 개요 머신러닝 모델의 성능을 평가할 때 중요한 요소 중 하나는 편향(Bias)입니다. 편향은 모델이 학습 데이터의 패턴을 얼마나 잘 반영하는지를 나타내는 지표로, 일반적으로 예측값과 실제값 사이의 평균적인 차이를 의미합니다. 낮은 편향은 모델이 데이터의 진짜 관계를 잘 포착하고 있음을, 높은 편향은 모델이 너무 단순하거나 학습 부족으로 인해 중요한 패…
시계열 분석 개요 시계열 분석(Time에 따라 순차적으로 수집된 데이터를 분석하여 패턴을 파악하고 미래의 값을 예측하는 통계적 방법론이다. 이 기법은 경제, 금융, 기상, 의료, 제조, IoT 등 다양한 분야에서 널리 활용되며, 데이터의 시간적 순서를 핵심 요소로 삼는다. 일반적인 통계 분석과 달리, 시계열 데이터는 시간 순서에 따라 데이터 포인트 간의 상…
포트폴리오 최화 개요 포트리오 최적화ortfolio Optimization)는 투자자가 자산에 투함으로써 리스크 분산시키고, 주어진 리스크 수준에서 기대 수익을 극대화하거나, 목표 수익률을 달성하기 위해 리스크를 최소화하는정을 말한다 이는 현대 금공학의 핵심 개념 중 하나로 해리 마코츠(Harry Markowitz)가 1952년 제안한현대 포트폴리오 이론(…