Ortalama Karesel Hata (MSE)
Mean Squared Error · Ayrıca şöyle bilinir: MSE, L2 error, quadratic error
Ortalama Karesel Hata (MSE), regresyon modelleri için temel kayıp fonksiyonudur ve tahminler ile gözlemler arasındaki ortalama karesel sapmayı ölçer. Gauss ve Legendre'ın en küçük kareler yönteminden (1805-1809) türetilen MSE, adi en küçük kareler regresyonunun temelini oluşturur ve modern makine öğrenimi optimizasyonunda merkezi bir rol oynamaya devam etmektedir.
Tam yöntemi oku
Bu bölümü okumak için ücretsiz hesapla giriş yapın.
Yöntem haritası
İlişkili yöntemlerin komşuluğu — keşfetmek için bir düğüm seçin.
Ne zaman kullanılır
MSE, regresyon modellerini gradyan inişi veya kapalı form çözümlerle uyarlarken varsayılan seçimdir; en küçük kareler tahminini yapılabilir kılan kayıp fonksiyonudur. MSE'yi şu durumlarda kullanın: (1) büyük hataları ağır bir şekilde cezalandırmak istediğinizde, (2) optimizasyon manzarasının önemli olduğu modeller oluşturduğunuzda veya (3) kalıntı istatistiklerinden varyans ve güven aralıkları hesaplamanız gerektiğinde. Verileriniz aykırı değerler içeriyorsa dikkatli olun, çünkü bunların karesel hataları baskın olacaktır.
Güçlü yönler & sınırlılıklar
- Her yerde pürüzsüz ve türevlenebilir olması, verimli optimizasyona olanak tanır
- Kapalı form çözümler ve varyans hesaplamaları için matematiksel olarak uygundur
- Büyük hatalara ağır ceza, birçok gerçek dünya maliyet yapısıyla eşleşir
- Titiz istatistiksel çıkarım için temel oluşturur (güven aralıkları, hipotez testleri)
- Aykırı değerlere karşı oldukça hassastır; tek bir aşırı değer metriğe hakim olur
- Karesel birimlerde ifade edildiği için doğrudan yorumlama zordur
- Orijinal ölçekte tahmin doğruluğunu doğrudan yansıtmaz
- Eksik ve aşırı tahminlerin asimetrik muamelesi (her ikisi de eşit şekilde karelenir, ancak yorumlama alana göre değişir)
SSS
MSE ve RMSE arasındaki fark nedir?
MSE, karesel hataların ortalamasıdır (karesel birimlerde). RMSE, MSE'nin kareköküdür ve metriği orijinal birimlere döndürür. Modelleri aynı şekilde sıralarlar, ancak RMSE daha yorumlanabilirken MSE optimize etmesi daha kolaydır.
Optimizasyon için MAE yerine neden MSE tercih edilir?
MSE her yerde pürüzsüz ve türevlenebilirdir, bu da verimli gradyan inişine olanak tanır. MAE, sıfırda pürüzsüz olmayan bir bükülmeye sahiptir, bu da gradyan tabanlı optimizasyonu karmaşıklaştırır. Ancak, özel çözücüler MAE'yi işleyebilir.
Sınıflandırma için kayıp fonksiyonu olarak MSE kullanabilir miyim?
Teknik olarak evet, ancak önerilmez. MSE, sınıflandırmayı regresyon olarak ele alır ve kötü olasılık tahminlerine yol açabilir. İkili sınıflandırma için çapraz entropi kaybını (lojistik kayıp) veya çok sınıflı sınıflandırma için kategorik çapraz entropiyi kullanın.
MSE varyansla nasıl ilişkilidir?
MSE şu şekilde ayrıştırılabilir: MSE = Sapma² + Varyans + Giderilemez Hata. Bu ayrıştırma, model seçiminde sapma-varyans ödünleşimini anlamak için temeldir.
Yüksek MSE her zaman kötü müdür?
Zorunlu değil. Hedef değişkeniniz yüksek varyansa sahipse, giderilemez hata nedeniyle mükemmel tahminler bile sıfır olmayan MSE'ye sahip olacaktır. Her zaman MSE'yi temel modellerle karşılaştırın ve bağlam için hedef varyansa göre normalleştirin (R² aracılığıyla).
Kaynaklar
- 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 ↗
Bu sayfayı kaynak gösterin
ScholarGate. (2026, June 3). Mean Squared Error. ScholarGate. https://scholargate.app/tr/model-evaluation/mean-squared-error
Hangi yöntem?
Bu yöntemi en yakın akrabalarının yanına koyup yan yana okuyun — kütüphane kitapları masaya serer; seçim sizindir.
- Akaike Bilgi Kriteri (AIC)Model değerlendirme↔ karşılaştır
- Mutlak Hata Ortalaması (MHO)Model değerlendirme↔ karşılaştır
- Belirlilik katsayısı (R²)Model değerlendirme↔ karşılaştır
- Ortalama Karekök Hata (RMSE)Model değerlendirme↔ karşılaştır