일 | 월 | 화 | 수 | 목 | 금 | 토 |
---|---|---|---|---|---|---|
1 | 2 | 3 | 4 | |||
5 | 6 | 7 | 8 | 9 | 10 | 11 |
12 | 13 | 14 | 15 | 16 | 17 | 18 |
19 | 20 | 21 | 22 | 23 | 24 | 25 |
26 | 27 | 28 | 29 | 30 | 31 |
Tags
- Artificial Intelligence
- meta-learning
- GAN
- 인공지능
- Explainable AI
- Machine Learning
- Interpretability
- cs231n
- xai
- AI
- Score-CAM
- 기계학습
- Cam
- 설명가능한
- coding test
- Class activation map
- 코딩테스트
- keras
- 메타러닝
- python
- Deep learning
- grad-cam
- 시계열 분석
- 백준
- 딥러닝
- 코딩 테스트
- 설명가능한 인공지능
- 머신러닝
- Unsupervised learning
- SmoothGrad
Archives
- Today
- Total
목록Mean squared error (1)
iMTE
1. Smoothing method (Evaluation metrics)
모델을 만들어 낸 다음에, 모델의 예측 성능을 평가하기 위해서는 예측성능 척도가 필요하다. 먼저, error는 다음과 같이 정의가 된다. $$e_{t,1}=X_{t+1}-f_{t,1}$$ 위 식에서, $X_{t+1}$은 t+1 시점의 실제 값이고, $f_{t,1}$은 t 시점에서 모델에 의해 예측된 t+1 값을 의미한다. 만약 여러개의 관측치에 대한 예측 오차를 계산할 때, 4개의 예측 성능 척도가 사용된다. 1) Mean squared error (MSE) 2) Root mean squared error (RMSE) 3) Mean absolute deviation (MAD) 4) Mean absolute percent error (MAPE) 위 척도는 다음과 같은 수식으로 나타낼 수 있다. $MSE=\..
Time-series Forecasting/ Prediction
2021. 6. 22. 09:49