Среднеквадратичная ошибка

Среднеквадратичная ошибка (Mean Squared Error, MSE) — это метрика, используемая для оценки качества модели регрессии или любого алгоритма, выдающего числовые предсказания. Она измеряет среднее значение квадратов разностей между предсказанными значениями модели и фактическими (реальными) значениями.

Формула вычисления:

где:

• $n$ — общее количество примеров в выборке,
• $y_i$ — фактическое значение,
• ${\hat{y}}_i$ — предсказанное моделью значение.

🧠 Почему используется:

• Квадратичные отклонения увеличивают вклад больших ошибок, что делает MSE чувствительной к выбросам.
• В отличие от абсолютной ошибки (MAE), MSE даёт более строгую оценку качества, поскольку большие ошибки «штрафуются» сильнее.
• Это метрика с хорошими математическими свойствами, особенно в задачах оптимизации: она дифференцируема, что важно при использовании градиентного спуска.

🔍 Пример:

Допустим, у нас есть предсказания модели:

less
Фактические значения: [3, -0.5, 2, 7]
Предсказания:         [2.5, 0.0, 2, 8]

Разности: [0.5, -0.5, 0, -1]
Квадраты: [0.25, 0.25, 0, 1.0]
MSE = (0.25 + 0.25 + 0 + 1.0) / 4 = 0.375

🧪 Области применения:

• Машинное обучение и статистика — для оценки регрессионных моделей.
• Глубокое обучение — как функция потерь (loss function) в задачах восстановления, предсказания, генерации числовых данных.
• Компьютерное зрение — при обучении моделей, восстанавливающих изображение, например, в автоэнкодерах, суперразрешении и денойзинге.
• Прогнозирование временных рядов — для оценки точности предсказаний.

🛠 Использование в коде (Python / scikit-learn):

python
from sklearn.metrics import mean_squared_error

y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

mse = mean_squared_error(y_true, y_pred)
print(f"MSE: {mse}")

📌 Особенности:

• Чем ближе значение MSE к нулю, тем лучше модель.
• Недостаток: чувствительность к выбросам.
• Иногда используется RMSE (корень из MSE) для сохранения единиц измерения оригинальных данных.

✅ Заключение:

MSE — это одна из самых популярных и простых в понимании метрик регрессионной ошибки. Благодаря своей чувствительности к большим ошибкам и легкости реализации, она широко используется в машинном обучении и статистике как функция потерь и как способ оценки качества модели.