機械学習を勉強していると「回帰モデル」について学ぶことがあります。でも、
「作った回帰モデルの予測はどのくらい正しいの？」
って気になりますよね。
今回は 回帰モデルの評価指標 について、できるだけシンプルに解説します！
Python初心者でもわかるように説明するので、安心してください😊
1. 決定係数（R²）
決定係数 R² は、モデルの予測がどれくらい 正解に近いか を示す指標です。
値が 1 に近いほど、モデルの予測が正確 ということになります。
R²のイメージ
- R² = 1.0 → 予測が完璧！（100%正しい）
- R² = 0.8 → まあまあ正確（80%くらい正しい）
- R² = 0.0 → ぜんぜんダメ（ランダムに予測しているのと同じ）
- R² がマイナス → 予測がひどすぎて、平均値を予測するより悪い
PythonでR²を計算する
Pythonの sklearn を使えば、簡単に計算できます。
2. RMSE（二乗平均平方誤差）
RMSE（Root Mean Squared Error）は、「誤差の平均」を表す指標です。
ただし、誤差の 二乗 を使うので、大きなズレ（外れ値）の影響を受けやすいのが特徴です。
RMSEのポイント
- 値が小さいほど、予測が正確
- 外れ値に影響を受けやすい（めっちゃズレたデータがあるとRMSEが大きくなる）
PythonでRMSEを計算
sklearn を使わなくても、簡単に計算できます。
3. MAE（平均絶対誤差）
MAE（Mean Absolute Error）は、誤差の絶対値の平均 を表す指標です。
二乗しない ので、RMSEよりも 外れ値の影響を受けにくい のが特徴です。
MAEのポイント
- 値が小さいほど、予測が正確
- 外れ値にあまり影響を受けない
PythonでMAEを計算
まとめ
| 指標 | 特徴 | 計算方法 |
|---|---|---|
| R²（決定係数） | 1に近いほど予測が正確 | r2_score(y_true, y_pred) |
| RMSE（二乗平均平方誤差） | 誤差の平均、外れ値の影響を受けやすい | np.sqrt(np.mean((np.array(y_true) - np.array(y_pred))**2)) |
| MAE（平均絶対誤差） | 誤差の平均、外れ値の影響を受けにくい | mean_absolute_error(y_true, y_pred) |
💡 どの評価指標を使うべき？
- 全体の精度を見たい → R²
- 外れ値を重視したい → MAE
- 外れ値を考慮しつつ、全体の誤差を見たい → RMSE
回帰モデルを作ったら、ぜひ R²・RMSE・MAE を計算して、モデルの精度をチェックしてみましょう！🚀
コメントを残す