mean squared error
Mean squared error (MSE) er gennemsnittet af de kvadrerede forskelle mellem forudsagte og faktiske værdier i en regression.
Kort fortalt
MSE måler, hvor meget en models forudsigelser i gennemsnit afviger fra de sande værdier, med større vægt på store afvigelser.
- Kategori
- metrik
- Niveau
- øvet
- Udtale
- /miːn skweəd ˈɛrər/
Betydninger
1- 1
En metrik, der beregner gennemsnittet af de kvadrerede afvigelser mellem estimerede og sande værdier, almindeligvis brugt i regressionsanalyse og maskinlæring.
- Modellens mean squared error på testdata var 0.23, hvilket indikerer rimelig præcision.
- Træning af en lineær regressionsmodel minimerer mean squared error mellem forudsigelser og mål.
Hvornår bruges det
MSE bruges ofte som tabsfunktion i regressionstræning og som evalueringsmetrik til at sammenligne modellers præcision. Jo lavere MSE, desto bedre passer modellen til data.
Formel
MSE = (1/n) Σ (y_i - ŷ_i)²Kodeeksempel
import numpy as np
def mean_squared_error(y_true, y_pred):
return np.mean((y_true - y_pred) ** 2)
# Example
y_true = np.array([3, -0.5, 2, 7])
y_pred = np.array([2.5, 0.0, 2, 8])
print(mean_squared_error(y_true, y_pred)) # Output: 0.375Python-funktion, der beregner mean squared error for to numpy-arrays.
Oprindelse
Udtrykket stammer fra statistikken, hvor 'mean' refererer til gennemsnit, 'squared' til kvadrering af fejlen, og 'error' til forskellen mellem observation og forudsigelse.
Afledte ord
2Kilder
2- Wikipedia: Mean squared error
- Hastie et al., The Elements of Statistical Learning