เปรียบเทียบวิธี

	Brier Score	ความแม่นยำ	ลอส-ลอส (ครอสเอนโทรปี ลอส)	ค่าเฉลี่ยความคลาดเคลื่อนสัมบูรณ์ (MAE)
สาขาวิชา	การประเมินแบบจำลอง	การประเมินแบบจำลอง	การประเมินแบบจำลอง	การประเมินแบบจำลอง
ตระกูล	MCDM	MCDM	MCDM	MCDM
ปีกำเนิด	1950	20th century	1990s	1799
ผู้ริเริ่ม	Glenn W. Brier	Historical statistical foundations	Information theory and machine learning literature	Pierre-Simon Laplace
ประเภท	Loss function	Evaluation metric	Loss function	Robust distance-based metric
แหล่งต้นตำรับ	Brier, G. W. (1950). Verification of forecasts expressed in terms of probability. Monthly Weather Review, 78(1), 1-3.	Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.	Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.	Laplace, P. S. (1799). Traité de Mécanique Céleste. Paris: J.B.M. Duprat.
ชื่อเรียกอื่น	Mean Squared Probability Error	Overall Accuracy, Correct Classification Rate	Cross-Entropy Loss, Logloss	MAE, L1 error, mean absolute deviation
ที่เกี่ยวข้อง	3	5	3	3
สรุป	The Brier score measures the mean squared difference between predicted probabilities and actual binary outcomes. It is a simple, interpretable metric for evaluating the accuracy of probabilistic predictions, particularly in weather forecasting and medical diagnosis.	Accuracy is the proportion of correct predictions among the total number of predictions made by a classification model. It is the most intuitive performance metric and measures how often the classifier makes correct predictions overall, regardless of class.	Log-loss measures the difference between predicted probabilities and actual labels, penalizing confident wrong predictions more than uncertain ones. It is a standard loss function in machine learning optimization and evaluates probabilistic classifier calibration.	Mean Absolute Error is a robust metric that measures the average absolute magnitude of prediction errors in regression models. Dating back to Pierre-Simon Laplace's work on observational errors (1799), MAE quantifies typical prediction deviation by averaging the absolute differences between observed and predicted values.