---
id: MATH-MET-RMSE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [math, statistics, metrics, rmse, regression, evaluation, error-analysis]
last_reinforced: 2026-04-26
---

# Root Mean Square Error (RMSE, 평균 제곱근 오차)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "실제와 예측 사이의 거리를 제곱의 무게로 평가하여 큰 실수를 엄하게 다스리고, 원본 데이터와 동일한 척도로 모델의 정밀도를 진단하라" — 회귀 모델의 예측 오차를 측정하는 가장 대표적인 지표로, 오차의 크기에 비례하여 패널티를 부여하는 통계적 척도.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Quadratic Error Scaling and Dimensional Consistency" — 개별 오차를 제곱하여 합산함으로써 큰 오차(Outliers)가 지표에 미치는 영향력을 증폭시키고, 마지막에 제곱근을 취해 결과값을 원본 종속 변수와 같은 단위로 맞추어 해석력을 높이는 패턴.
- **핵심 특징:**
    - **Sensitivity to Outliers:** MAE(평균 절대 오차)에 비해 큰 오차에 매우 민감하게 반응함.
    - **Interpretability:** 예측값의 단위(예: 원, kg)와 동일하게 표현되어 오차의 실질적 크기를 체감하기 쉬움.
- **의의:** "큰 실수는 절대 안 된다"는 목적이 뚜렷한 예측 모델링(예: 기상 예보, 금융 변동성)에서 모델의 신뢰성을 평가하는 최우선 지표로 활용됨.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** RMSE가 낮다고 무조건 완벽한 것은 아니며, 데이터에 이상치가 많을 경우 RMSE는 소수의 이상치에 휘둘려 모델의 전반적인 성능을 왜곡할 수 있으므로 MAE나 R-squared와 함께 분석하는 것이 권장됨.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 연산 리소스 예측 모델의 오차율을 모니터링할 때, 갑작스러운 부하 폭증을 방지하기 위해 큰 오차를 엄격히 감시하는 RMSE 지표를 주력으로 사용함.

## 🔗 지식 연결 (Graph)
- [[Regression-Analysis-Foundations|Regression-Analysis-Foundations]], [[Performance-Metrics-in-AI|Performance-Metrics-in-AI]], [[Loss-Functions-Foundations|Loss-Functions-Foundations]], [[Predictive-Analytics|Predictive-Analytics]]
- **Raw Source:** 10_Wiki/Topics/AI/Root-Mean-Square-Error.md