У сферах регресійного аналізу та машинного навчання середня квадратична помилка (MSE) є ключовим показником для оцінка ефективності прогнозних моделей. Він вимірює середню квадратичну різницю між прогнозованими та фактичними цільовими значеннями в наборі даних.
У статистиці середня квадратична помилка (MSE) — це функція ризику, яка вимірює квадрат помилок. Виконуючи регресію, використовуйте MSE якщо ви вважаєте, що ваша мета розподілена нормально, і ви хочете, щоб великі помилки каралися більше, ніж маленькі.
Математичні переваги середньоквадратичної помилки особливо очевидні при її використанні для аналізу ефективності лінійної регресії, оскільки вона дозволяє розділити варіацію в наборі даних на варіацію, пояснену моделлю, та варіацію, пояснену випадковістю.
Так само, якщо дані спотворені або мають довгий хвіст, MSE може бути більш доцільним, ніж MAE, оскільки він може краще вловити мінливість. Крім того, якщо ви хочете оптимізувати свою модель для гладкої та безперервної функції, MSE може бути більш придатним, ніж MAE, оскільки він диференційований і має унікальний мінімум.
MSE є корисно, коли розкид прогнозованих значень важливий і більші значення потрібно штрафувати. Однак цю метрику часто важко інтерпретувати, оскільки вона є значенням у квадраті. RMSE (NRMSE) також корисний, коли спред важливий і більші значення потрібно штрафувати.
Крім того, можна провести MSE на будь-якому етапі шляху одужання людини, щоб забезпечити клінічний «моментальний знімок» презентації особи в будь-який момент; чи то в рамках початкової оцінки, чи під час кризового періоду, чи під час періоду стабільності (Burton et al, 2010).