MSE-Rechner

Der mittlere quadratische Fehler, meist MSE genannt, misst den Durchschnitt der quadrierten Differenzen zwischen tatsächlichen Beobachtungen und Prognosewerten. Ziehen Sie für jedes Paar die Prognose vom Istwert ab, quadrieren Sie den Fehler, addieren Sie alle Fehlerquadrate und teilen Sie durch die Anzahl der Paare. Null bedeutet, dass jede Prognose exakt ihrer Beobachtung entspricht. Größere Werte zeigen höhere Vorhersagefehler an; ihre praktische Bedeutung hängt jedoch von der Skala der Zielvariable ab. Das Quadrieren erfüllt zwei Zwecke: Positive und negative Fehler heben sich nicht auf, und große Fehler erhalten mehr Gewicht als kleine. Ein Fehler von vier trägt sechzehn quadrierte Einheiten bei, ein Fehler von zwei nur vier. Diese Empfindlichkeit macht MSE nützlich, wenn große Abweichungen besonders teuer sind, bedeutet aber auch, dass ein Ausreißer den Wert dominieren kann. MSE hat die quadrierte Einheit der ursprünglichen Zielgröße, was die direkte Interpretation erschweren kann. Die Wurzel des mittleren quadratischen Fehlers, RMSE, ist die Quadratwurzel von MSE. Sie stellt die ursprüngliche Einheit wieder her und behält den stärkeren Einfluss großer Fehler bei. Werden prognostizierte Temperaturen in Grad gemessen, wird auch RMSE in Grad angegeben. In der Datenwissenschaft wird häufig MSE zur Optimierung und RMSE zur Kommunikation genutzt. Da die Quadratwurzel monoton ist, führen MSE und RMSE bei identischen Beobachtungen zur gleichen Modellrangfolge. Der mittlere absolute Fehler, MAE, mittelt die absoluten Fehlerbeträge. Er verwendet ebenfalls die ursprüngliche Einheit, gewichtet aber jede Fehlereinheit gleich. Der Vergleich von MAE und RMSE kann gelegentliche große Fehlprognosen sichtbar machen. Ist RMSE deutlich größer als MAE, können einzelne erhebliche Fehler vorliegen. Kein Maß ist immer das beste: Wählen Sie nach den tatsächlichen Fehlerkosten und verwenden Sie für Modellvergleiche dieselbe Kennzahl. Dieser Rechner erfordert gleich lange Ist- und Prognoselisten, da jede Prognose genau einer Beobachtung entsprechen muss. Die Reihenfolge zählt: Der erste Prognosewert wird mit dem ersten Istwert verglichen, der zweite mit dem zweiten und so weiter. Fehlende oder falsch zugeordnete Datensätze verfälschen die Bewertung, selbst wenn beide Listen gültige Zahlen enthalten. Bereiten Sie die Datenpaare sorgfältig vor, bevor Sie die Ergebnisse interpretieren. MSE wird häufig in Regression, Prognose, Signalverarbeitung und maschinellem Lernen eingesetzt. Es ist nicht skalenunabhängig; Werte für Zielgrößen mit unterschiedlichen Einheiten sollten daher nicht direkt verglichen werden. Für skalenübergreifende Vergleiche können normalisierte Kennzahlen oder prozentuale Fehler geeignet sein. Untersuchen Sie auch Residuenplots und fachliche Folgen, denn ein einzelner Gesamtwert zeigt weder systematische Verzerrung noch wechselnde Varianz oder Bereiche schwacher Modellleistung.