通俗易懂講解ML中的均方誤差 (MSE) - haltakov

詳細公式解釋
均方誤差公式可以寫成如下，它代表了一個非常簡單的概念，但如果您剛開始使用 ML，可能不太容易讀懂。

誤差被定義為預測值Ŷ和一些真實值之間的差異Y。例如，如果您要預測房價，則誤差可能是預測價格與實際價格之間的差異。

從標籤中減去預測是行不通的。誤差可能為負也可能為正，這是對樣本求和時的問題。想象一下你對兩套房子價格的預測是這樣的：

• House 1：實際 120K，預測 100K -> 錯誤 20K
• House 2：實際 60K，預測 80K -> 誤差 -20K

我們通常計算多個樣本的誤差（在我們的例子中 - 房屋）。這是訓練機器學習模型時的典型情況 - 您的批次中將有許多樣本。我們需要計算每一個的誤差並求和。同樣，在這裡讓誤差始終≥ 0 很重要。

如果要比較不同大小批次的誤差，則需要對樣本數量進行歸一化——取平均值。例如，您可能想檢視哪個批次大小產生的誤差較小。

現在應該更容易理解公式了！MSE 是 ML 迴歸模型（例如線性迴歸）中常用的統計度量和損失函式。您還應該檢視平均絕對誤差 (MAE)，它可以更好地處理異常值。