메트릭
모델의 다양한 성능 지표를 시각화하여 평가하는 노드입니다.
설명
메트릭 노드는 머신러닝 모델의 성능을 평가하기 위한 다양한 지표를 시각화하는 도구입니다.
모델 학습 후 일괄 예측이 완료된 데이터셋을 입력받아, 회귀 모델과 분류 모델에 맞는 평가 지표를 자동으로 계산하고 표시합니다.
포트 구성
입력 포트
- 데이터셋: 일괄 예측이 완료된 데이터셋 (예측값과 실제값 포함)
출력 포트
없음
회귀 모델 지표
회귀 문제에서 사용되는 성능 지표입니다.
- MAE (Mean Absolute Error): 평균 절대 오차
- 예측값과 실제값의 절댓값 차이의 평균
- 값이 작을수록 좋음
- MSE (Mean Squared Error): 평균 제곱 오차
- 예측값과 실제값의 차이를 제곱한 평균
- 큰 오차에 더 많은 가중치를 부여
- RMSE (Root Mean Squared Error): 평균 제곱근 오차
- MSE의 제곱근
- 실제값과 같은 단위로 해석 가능
- R² Score: 결정 계수
- 모델이 데이터의 분산을 얼마나 설명하는지 나타냄
- 1에 가까울수록 좋음 (0~1 범위)
분류 모델 지표
이진 분류 문제에서 사용되는 성능 지표입니다.
- Accuracy: 정확도
- 전체 예측 중 올바른 예측의 비율
- Precision: 정밀도
- 양성으로 예측한 것 중 실제 양성의 비율
- 거짓 양성(False Positive)을 줄이고 싶을 때 중요
- Recall (Sensitivity): 재현율 (민감도)
- 실제 양성 중 올바르게 예측한 비율
- 거짓 음성(False Negative)을 줄이고 싶을 때 중요
- F1 Score: F1 점수
- Precision과 Recall의 조화 평균
- 두 지표의 균형을 고려
다중 분류 모델 지표
다중 클래스 분류 문제에서 사용되는 성능 지표입니다.
- Accuracy: 정확도
- 전체 예측 중 올바른 예측의 비율
- Macro Precision/Recall/F1: 매크로 평균
- 각 클래스별 지표를 동등하게 평균
- 모든 클래스를 공평하게 평가
- Weighted Precision/Recall/F1: 가중 평균
- 각 클래스의 샘플 수에 비례하여 가중 평균
- 클래스 불균형을 고려한 평가
사용 방법
- 메트릭 노드를 캔버스에 추가합니다
- 일괄 예측 노드의 출력 데이터셋을 연결합니다
- 노드를 실행하면 모델 유형에 맞는 성능 지표가 자동으로 표시됩니다
- 각 지표를 확인하여 모델 성능을 종합적으로 평가합니다
주의사항
모델 유형 자동 감지
메트릭 노드는 입력 데이터셋을 분석하여 회귀/분류 문제를 자동으로 판단하고, 적합한 지표를 표시합니다.