MSE (Mean Squared Error)

MSE (Mean Squared Error): Funzione di loss misurando differenza quadratica media tra valori predetti e reali. MSE = (1/n) Σ(ytrue - ypred)². Penalizza pesantemente errori grandi. Comune per regressione. Più basso è meglio. Esempi di applicazione: Funzione loss regressione, Training rete neurale, Misurazione errore.

In English: MSE (Mean Squared Error)Legge IV · Loss, gradiente e ottimizzatoriConfronto: MSE e MAE: differenze e quando usare l'uno o l'altro

MSE = (1/n) * Σ(y_true - y_pred)². Penalizza pesantemente errori grandi. Comune per regressione. Più basso è meglio.

Formula

MSE = (1/n) Σᵢ(yᵢ − ŷᵢ)²

Esempio numerico

import numpy as np
y = np.array([2.0, 4.0, 6.0])
p = np.array([1.0, 5.0, 5.0])
print(np.mean((y - p) ** 2))  # 1.0

Quando usarlo

È una loss di regressione adatta quando gli errori grandi devono pesare molto più di quelli piccoli.

Limiti

È sensibile agli outlier e la sua unità è il quadrato della grandezza target; RMSE e MAE possono essere più leggibili.

Esempi

  • Funzione loss regressione
  • Training rete neurale
  • Misurazione errore

Autovalutazione

Tre domande per verificare la comprensione della voce. Le spiegazioni restano disponibili anche senza JavaScript.

1. Che cos’è MSE (Mean Squared Error)?
Spiegazione

MSE (Mean Squared Error): Funzione di loss misurando differenza quadratica media tra valori predetti e reali. MSE = (1/n) Σ(ytrue - ypred)². Penalizza pesantemente errori grandi. Comune per regressione. Più basso è meglio. Esempi di applicazione: Funzione loss regressione, Training rete neurale, Misurazione errore.

2. Quale applicazione è coerente con MSE (Mean Squared Error)?
Spiegazione

È una loss di regressione adatta quando gli errori grandi devono pesare molto più di quelli piccoli.

3. Quale voce è collegata a MSE (Mean Squared Error)?
Spiegazione

Le voci correlate sono scelte per collegamento tecnico, non per somiglianza casuale.