COURSE
4
PROGRESS
10 / 14
단원 데이터 구조화: AI 전처리 17 데이터의 규칙: 예측 로직 14 옷의 시너스: 판단 로직 1 예와 아니오: 판단 로직 6 닮은꼴 찾기: 관계 로직 7 최적의 경로: 강화 로직 7 층층이 지능: 신경망 로직 7 전체 목록
이전 문제 다음 문제

MSE 손실 계산 루틴

40 P
QUESTION 10 #337
실제값 리스트와 예측값 리스트의 차이를 제곱하여 평균을 내는 MSE(Mean Squared Error) 계산 과정을 완성하고 결과를 확인하세요.
main.py 
def calculate_mse(true_list, pred_list):
    errors = []
    for t, p in zip(true_list, pred_list):
        # 오차를 제곱하여 리스트에 추가
        errors.append((t - p) )
    
    # 모든 오차의 합을 개수로 나누어 평균 산출
    return (errors) / (errors)

result = calculate_mse([10, 20], [12, 18])
print(f"평균 제곱 오차: {result}")
실행 결과 예시 
평균 제곱 오차: 4.0
INTERACTIVE SHELL Shift + Enter 로 즉시 실행

🎯 오차의 제곱의 평균(MSE)

인공지능은 학습할 때 "내가 지금 얼마나 틀리고 있지?"를 숫자로 확인해야 합니다.
이때 가장 많이 쓰이는 지표가 MSE(Mean Squared Error)입니다.

MSE는 이름 그대로 '오차의 제곱의 평균'을 구합니다.

  • 오차(Error) 계산: 실제값($y$)에서 모델의 예측값($\hat{y}$)을 뺍니다.

  • 제곱(Squared): 오차를 양수로 만들고, 큰 오차에 더 큰 가중치를 주기 위해 오차를 제곱합니다.
    $(y - \hat{y})^2$

  • 평균(Mean): 모든 데이터 샘플에 대해 위 과정을 수행한 뒤 전체 개수($n$)로 나눕니다.

$$MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2$$