Ortalama Kare Hata (Mean Squared Error)

Ortalama Kare Hata (MSE) nedir?

MSE, bir modelin tahminlerinin gerçek değerlerden ne kadar uzak olduğunu tek bir sayıyla özetleyen loss (kayıp) fonksiyonudur. Özellikle regresyon problemlerinde — yani sayısal bir değeri tahmin ettiğin durumlarda — modelin ne kadar yanıldığını ölçmenin standart yoludur. Küçük MSE iyi tahmin, büyük MSE kötü tahmin demektir.

Nasıl çalışır?

Her veri noktası için modelin tahmini ile gerçek değer arasındaki farkı (hata) alırsın. Bu farkın karesini alırsın — böylece negatif ve pozitif hatalar birbirini götürmez ve büyük hatalar orantısız büyür. Sonra tüm bu kare hataların ortalamasını alırsın. Formül basitçe her örnekteki (tahmin − gerçek)² değerlerinin ortalamasıdır. Karesini almanın kilit sonucu: 5 birimlik bir hata, 1 birimlik hatanın 25 katı ceza alır. Bu yüzden MSE büyük sapmalara çok duyarlıdır.

Neden önemli?

MSE, model eğitiminin motorudur. gradient descent gibi optimizasyon algoritmaları MSE'yi küçültmeye çalışarak model ağırlıklarını ayarlar — yani model "öğreniyor" derken aslında MSE'yi düşürür. Türevlenebilir ve matematiksel olarak pürüzsüz olması onu optimizasyon için ideal yapar. Karesi alındığı için birimi de karesel olur; yorumlaması zorlaşınca kökü alınıp RMSE (kök ortalama kare hata) kullanılır.

Kullanım alanları

Doğrusal regresyon ve sinir ağlarında varsayılan loss fonksiyonu; ev fiyatı, talep, sıcaklık gibi sürekli değer tahminlerinin doğruluğunu ölçme; model karşılaştırma (hangi model daha az hata yapıyor); erken durdurma ve hyperparameter ayarında performans sinyali. Aykırı değerlerin ağırlığını azaltmak istediğinde yerine MAE (ortalama mutlak hata) tercih edilir.