Calculadora de MSE

O erro quadrático médio, geralmente abreviado MSE, mede a média das diferenças ao quadrado entre observações reais e valores previstos. Para cada par, subtraia a previsão do valor real, eleve o erro ao quadrado, some todos os erros quadrados e divida pela quantidade de pares. Zero significa que cada previsão coincide exatamente com sua observação. Valores maiores indicam maior erro, embora o significado prático dependa da escala da variável-alvo. Elevar ao quadrado tem dois objetivos: erros positivos e negativos não se anulam, e erros grandes recebem mais peso que pequenos. Um erro de quatro contribui com dezesseis unidades quadradas, enquanto um erro de dois contribui com apenas quatro. Essa sensibilidade torna o MSE útil quando grandes desvios são especialmente custosos, mas também permite que um valor atípico domine a pontuação. As unidades do MSE são o quadrado das unidades originais do alvo, o que pode dificultar a interpretação direta. A raiz do erro quadrático médio, ou RMSE, é a raiz quadrada do MSE. Ela recupera as unidades originais e preserva a influência extra de erros grandes. Se as temperaturas previstas são medidas em graus, o RMSE também é expresso em graus. Na ciência de dados, é comum apresentar MSE para otimização e RMSE para comunicação. Como a raiz quadrada é monotônica, os modelos têm a mesma classificação por MSE e RMSE quando avaliados nas mesmas observações. O erro absoluto médio, ou MAE, calcula a média do tamanho absoluto de cada erro. Também usa as unidades originais, mas atribui o mesmo peso a cada unidade de erro. Comparar MAE e RMSE pode revelar grandes desvios ocasionais. Quando o RMSE é muito maior que o MAE, pode haver alguns erros expressivos. Nenhuma medida é sempre a melhor: escolha conforme o custo real dos erros e mantenha a métrica consistente ao comparar modelos. Esta calculadora exige listas reais e previstas de mesmo tamanho, porque cada previsão deve corresponder exatamente a uma observação. A ordem importa: o primeiro valor previsto é comparado ao primeiro real, o segundo ao segundo, e assim por diante. Registros ausentes ou desalinhados geram uma avaliação enganosa mesmo quando as duas listas contêm números válidos. Prepare os dados pareados com cuidado antes de interpretar os resultados. O MSE é amplamente usado em regressão, previsão, processamento de sinais e aprendizado de máquina. Ele depende da escala, portanto pontuações de alvos medidos em unidades diferentes não devem ser comparadas diretamente. Para comparações entre escalas, métricas normalizadas ou erros percentuais podem ser adequados. Examine também gráficos de resíduos e consequências específicas do domínio, pois uma única pontuação resumida não mostra viés, mudanças de variância nem onde o modelo tem desempenho ruim.