Mittlere quadratische Abweichung (MSE)
Die mittlere quadratische Abweichung (Mean Squared Error, MSE) ist die grundlegende Verlustfunktion für Regressionsmodelle, die die durchschnittliche quadrierte Abweichung zwischen Vorhersagen und Beobachtungen misst. Sie geht auf die Methode der kleinsten Quadrate von Gauß und Legendre (1805-1809) zurück und bildet die Basis für die gewöhnliche Kleinste-Quadrate-Regression. Auch in der modernen Optimierung im maschinellen Lernen ist sie von zentraler Bedeutung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Gauss, C. F. (1809). Theoria Motus Corporum Coelestium in Sectionibus Conicis Solem Ambientium. Hamburg: Perthes and Besser. link ↗
- Legendre, A. M. (1805). Nouvelles méthodes pour la détermination des orbites des comètes. Paris: F. Didot. link ↗
- Goodman, L. A. (1960). On the exact variance of products. Journal of the American Statistical Association, 55(292), 708-713. DOI: 10.1080/01621459.1960.10483369 ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Mean Squared Error. ScholarGate. https://scholargate.app/de/model-evaluation/mean-squared-error
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- Akaike-Informationskriterium (AIC)Modellevaluation↔ compare
- Mittlerer Absoluter Fehler (MAE)Modellevaluation↔ compare
- Bestimmtheitsmaß (R²)Modellevaluation↔ compare
- Wurzel der Mittleren Quadratischen Fehler (RMSE)Modellevaluation↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →