MSE

MSE (Mean Squared Error) — среднеквадратичная ошибка: метрика, показывающая, насколько предсказания модели отклоняются от реальных значений. Берут разницу каждого предсказания с истиной, возводят в квадрат (чтобы убрать знак), суммируют и делят на число примеров. Идеальная модель даёт MSE = 0, чем больше ошибка, тем хуже модель.

В машинном обучении MSE — ключевой «измеритель»: алгоритм в ходе обучения постоянно смотрит на ошибку и старается её уменьшить. Без точной метрики невозможно понять, улучшается ли модель. MSE чувствительна к большим промахам: из-за возведения в квадрат одно сильное отклонение резко увеличивает значение, и алгоритм сразу замечает серьёзную ошибку.

Интуиция: представьте стрельбу по мишени. Каждый выстрел — предсказание, центр — правильный ответ. Ошибка — расстояние от попадания до центра. MSE складывает квадраты всех таких расстояний и усредняет. Квадрат нужен, чтобы промахи влево и вправо не гасили друг друга. Итог — одно число, характеризующее общую меткость: чем меньше, тем лучше.

Пример: модель предсказывает цену квартиры по площади. Истинные цены — 3, 5, 7 млн; предсказания — 4, 4, 6. Разницы: 1, −1, 1. Квадраты: 1, 1, 1. Сумма 3, делим на 3: MSE = 1. Если второе предсказание изменить на 2, разница станет −3, квадрат 9, и MSE вырастет до (1+9+1)/3 ≈ 3,67 — сразу видно ухудшение.

Вывод: MSE — простая и строгая метрика, штрафующая большие промахи сильнее мелких. Она незаменима при обучении регрессий, но из-за квадратов значение сложно интерпретировать в исходных единицах. Часто берут корень из MSE (RMSE), суть та же: чем точнее предсказание, тем ближе к нулю.