MSE 계산기

평균 제곱 오차는 보통 MSE로 줄여 쓰며 실제 관측값과 예측값 차이의 제곱 평균을 측정합니다. 각 쌍에서 실제값에서 예측값을 빼고, 그 오차를 제곱한 뒤 모두 더해 쌍의 수로 나눕니다. 영이면 모든 예측이 관측과 정확히 일치합니다. 값이 클수록 예측 오차가 크지만 실제 의미는 목표 변수의 척도에 따라 달라집니다. 제곱에는 두 가지 목적이 있습니다. 양수와 음수 오차가 상쇄되지 않으며 큰 오차가 작은 오차보다 더 높은 가중치를 받습니다. 오차가 넷이면 열여섯 제곱 단위를 기여하지만 둘이면 넷만 기여합니다. 따라서 큰 빗나감의 비용이 특히 클 때 MSE가 유용하지만 이상값이 점수를 지배할 수도 있습니다. MSE의 단위는 원래 목표 단위의 제곱이어서 직접 해석하기 어려울 수 있습니다. 평균 제곱근 오차인 RMSE는 MSE의 제곱근입니다. 큰 오차의 추가 영향을 유지하면서 원래 목표 단위를 복원합니다. 예측 온도를 도 단위로 측정하면 RMSE도 도로 표시됩니다. 데이터 과학에서는 최적화용 MSE와 설명용 RMSE를 함께 보고하는 경우가 많습니다. 제곱근은 단조 함수이므로 동일한 관측값으로 평가한 모델은 MSE와 RMSE에서 같은 순위를 갖습니다. 평균 절대 오차인 MAE는 각 오차의 절대 크기를 평균합니다. 원래 단위를 사용하지만 오차의 각 단위에 동일한 가중치를 줍니다. MAE와 RMSE를 비교하면 모델이 가끔 크게 빗나가는지 파악할 수 있습니다. RMSE가 MAE보다 훨씬 크면 일부 큰 오차가 있을 수 있습니다. 언제나 가장 좋은 지표는 없습니다. 실제 오차 비용에 따라 선택하고 모델 비교 시 같은 지표를 유지하세요. 각 예측은 정확히 하나의 관측값과 대응해야 하므로 이 계산기는 실제값과 예측값 목록의 길이가 같아야 합니다. 순서도 중요합니다. 첫 예측값은 첫 실제값과, 두 번째는 두 번째와 비교됩니다. 두 목록이 모두 유효한 숫자로 이루어져 있어도 기록이 누락되거나 대응이 어긋나면 평가가 오해를 낳습니다. 결과 해석 전에 짝지어진 데이터를 신중하게 준비하세요. MSE는 회귀, 예측, 신호 처리와 머신러닝에서 널리 사용됩니다. 척도 독립적이지 않으므로 서로 다른 단위로 측정한 목표의 점수를 직접 비교해서는 안 됩니다. 척도가 다른 대상을 비교할 때는 정규화 지표나 백분율 오차가 적합할 수 있습니다. 하나의 요약 점수로는 편향, 분산 변화 또는 모델 성능이 나쁜 구간을 알 수 없으므로 잔차 그림과 도메인별 결과도 살펴보세요.