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'altroMSE = (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)) # 1.0Quando 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.