MSE (Mean Squared Error) – popularna miara błędu w regresji.

MSE (Mean Squared Error) to jedna z najczęściej stosowanych miar błędu w zadaniach regresji, służąca do oceny jakości modelu predykcyjnego. Polega na obliczeniu średniej wartości kwadratów różnic między wartościami rzeczywistymi a przewidywanymi przez model. Dzięki temu MSE karze silniej większe błędy, co zapewnia wrażliwość na odstające obserwacje i pozwala na precyzyjne dopasowanie modelu.

MSE jest funkcją strat wykorzystywaną w procesie uczenia modeli, zwłaszcza w regresji liniowej i głębokich sieciach neuronowych. Wynik MSE jest zawsze nieujemny, a jego wartość im jest mniejsza, tym lepsze dopasowanie modelu do danych treningowych. Mimo że MSE ma intuicyjne znaczenie i jest łatwa do obliczenia, bywa krytykowana za wrażliwość na odchylenia i błędy ekstremalne, co czasami wymaga zastosowania alternatywnych miar błędu.