Huber損失計算ツール|MSE・MAEと比較

実測値・予測値の列としきい値δを入力すると、外れ値に強い損失関数であるHuber損失の平均を計算し、MSE・MAEと並べて表示します。行ごとに「2乗で数えたか、1次で数えたか」もわかるので、外れ値がどれだけ結果に影響しているかを確認できます。

Huber損失 計算ツール(MSE・MAEとの比較つき)

実測値・予測値の列としきい値δから、外れ値に強いHuber損失の平均を計算し、MSE・MAEと並べて比較します。

使い方

  1. 「実測値」と「予測値」を同じ順番で入力します(改行・カンマ・スペース区切り)。
  2. しきい値δ(デルタ)を入力します。0より大きい値にしてください。初期値は1です。
  3. 「計算する」を押すと、Huber損失の平均・MSE・MAE・δを超えた件数と、行ごとの計算方法が表示されます。

計算式

誤差 e = y − ŷ
|e| ≤ δ のとき  L = ½ × e²
|e| > δ のとき  L = δ × (|e| − ½δ)
Huber損失 = (1/n) × Σ L

y は実測値、ŷ は予測値、δ はしきい値、n はデータ数です。小さな誤差は2乗で、大きな誤差は1次で数えるため、MSEのなめらかさとMAEの外れ値への強さをあわせ持ちます。このツールは ½ を付けた定義を使っています。

計算例

サンプルの実測値 3, −0.5, 2, 7, 10 と予測値 2.5, 0, 2, 8, 4、δ = 1 で計算します。

# 誤差 計算方法 Huber損失
1 0.5 2乗 0.125
2 −0.5 2乗 0.125
3 0 2乗 0
4 −1 2乗 0.5
5 6 1次 5.5

5行目は |6| > 1 なので 1 × (6 − 0.5) = 5.5 です。合計 6.25 を5で割り、Huber損失 = 1.25 になります。同じデータのMSEは 7.5、MAEは 1.6 です。

結果の見方

  • MSEが7.5と大きいのは、5行目の誤差6を2乗して36として数えているためです。Huber損失ではこの行を1次で数えるので、外れ値1件の影響が小さくなります。
  • すべての誤差がδ以下のとき、Huber損失はMSEのちょうど半分になります。
  • δを大きくするとMSEに近く、小さくするとMAE(をδ倍したもの)に近い性質になります。

Huber損失が使われる場面

Huber損失は、センサーの異常値や入力ミスなど、外れ値が少し混ざったデータで回帰モデルを学習するときによく使われます。MSEで学習すると外れ値に引っ張られて全体の予測がずれやすく、MAEで学習すると誤差0付近で勾配が不連続になり学習が不安定になることがあります。Huber損失はその中間の性質を持ちます。

深層学習の物体検出では、枠の座標の回帰に似た形のSmooth L1損失が使われています。また強化学習でも、学習を安定させるために使われることがあります。

評価の場面では、Huber損失だけを報告するより、同じデータのMSEとMAEを並べて示すと、外れ値がどれだけ結果に影響しているかが伝わりやすくなります。このツールで3つを同時に表示しているのはそのためです。

注意点

  • δの値によって結果が大きく変わります。誤差の典型的な大きさ(実測値の単位)を目安に選び、比べるときは同じδを使いましょう。
  • ½ を付けない定義や、δで割って正規化する定義(Smooth L1など)もあり、ライブラリによって数値が異なります。
  • Huber損失は主に学習時の損失関数として使われます。報告用の指標としては、MAEやRMSEもあわせて示すと伝わりやすくなります。

Huber損失のよくある質問

Q. Huber損失のδはどう決めればよいですか?

A. 「この程度までは普通の誤差」と考えられる大きさを目安にします。誤差の分布を見て決めたり、交差検証でいくつかの値を比べたりする方法があります。

Q. Huber損失とSmooth L1損失は同じですか?

A. 形は同じですが、Smooth L1はHuber損失をδで割った定義になっていることが多く、数値が一致しない場合があります。

Q. なぜHuber損失は外れ値に強いのですか?

A. 大きな誤差を2乗ではなく1次で数えるためです。外れ値1件が全体の損失を支配しにくくなります。