(2440, 3) origin 0desc_1 1desc_3 1dtype: int64결측치 관측 결과 사용하고자 하는 desc_1,desc_3 결측값 존재#drop rows with Nan valuescoffee_drop = coffee_text_review.dropna()print(coffee_drop.shape,'\n')print(coffee_drop.isnull().sum())(2438, 3)origin 0desc_1 0desc_3 0결측값이 적기 때문에 행삭제

ColumnsSlug: 리뷰를 가져온 사이트 주소All_text: 스크래핑한 모든 텍스트Rating: 커피에 대한 점수Roaster: 로스팅한 위치Name: 커피의 이름Location:  로스터의 위치Origin: 커피의 원산지Roast: 로스팅 정도Est_price: 가격/양Review_date: 리뷰 작성일자Agtron: 커피의 로스팅 정도 분쇄전/분쇄후Aroma: 커피의 향/10점만점 ex) 꽃, 과일, 견과류, 초콜릿 등Acid: 산미/10점 만점Body: 질감, 무게감, 농도 등/10점 만점Flavor: 포괄적인 맛과 향/10점 만점After_taste: 뒷맛, 향의 지속정도desc_1: 세세한 맛의 평가단어 위주, 풍미, 향, 끝맛 등 세세하게 표기desc_2: 맛 평가 및 로스터의 정보 위치..

학습시의 에러를 평가할 때 에러의 값이 서로 상쇄되는 것을 방지하기 위해MSE, MAE 등을 사용한다.MSE(Mean Squared Error)는 에러의 값의 제곱을 하여 음의 수를 없앤다.위의 그림처럼 MSE의 경우 a의 변화에 더 민감하게 반응하여 이상치와 가깝게 지나가는 모델을 만든다.MAE(Mean Absolute Error)는 에러의 값을 절대값으로 만들어 음의 수를 없앤다.반면 MAE는 a의 값에 선형적으로 변화하여데이터의 전체적인 흐름에 맞는 모델을 생성한다.

https://www.notion.so/MLOps-15de50d9333a80be8df4d993a1658a43?pvs=4