RMSE

RMSE, или среднеквадратичная ошибка, — метрика, показывающая, насколько предсказания модели отклоняются от реальных значений. Если RMSE равен 500 рублей, модель в среднем ошибается примерно на 500 рублей. Чем меньше значение, тем лучше. Эта метрика особенно популярна в задачах регрессии.

Зачем это нужно? В машинном обучении важно объективно сравнивать алгоритмы. RMSE даёт численную оценку качества, позволяя понять, какая модель точнее, и отслеживать улучшения при обучении. Без такой метрики невозможно отличить рабочую модель от случайной.

Как это работает интуитивно? Для каждого объекта находим разницу между предсказанием и фактом — ошибку. Возводим её в квадрат: это убирает знак и увеличивает вес крупных промахов — ошибка в 2 метра даёт 4, а не 2. Затем берём среднее арифметическое всех квадратов и извлекаем корень, чтобы вернуться к исходным единицам. Получается типичная ошибка, причём модель штрафуется сильнее за большие отклонения — выбросы.

Пример. Сервис аренды жилья предсказывает цены по площади. Реальные цены: 3, 5, 7, 9 миллионов. Предсказания: 2, 6, 6, 9. Ошибки: -1, +1, -1, 0. Квадраты: 1, 1, 1, 0. Среднее квадратов — 0,75, корень — около 0,87 миллиона. Модель в среднем ошибается меньше чем на миллион. Если бы один прогноз промахнулся на 5 миллионов, RMSE резко вырос бы, предупреждая о проблеме.

Вывод: RMSE — наглядная и распространённая метрика. Она показывает типичную ошибку модели в привычных единицах, что особенно полезно при сравнении моделей и общении с бизнес-заказчиками. Используйте её вместе с другими метриками, но начинайте анализ с RMSE.