実測値と予測値の列を貼り付けると、MSE(平均二乗誤差)と参考値のRMSE、各行の二乗誤差を一覧で計算します。どのデータが誤差を大きくしているかが表でわかるので、回帰モデルの評価や外れ値の確認に役立ちます。
MSE(平均二乗誤差)計算ツール
実測値と予測値の列を貼り付けるだけで、MSE(平均二乗誤差)と各データの二乗誤差を一覧で計算します。
使い方
- 「実測値」に実際の値を、「予測値」にモデルの予測を、同じ順番で入力します(改行・カンマ・スペース区切り)。
- 「計算する」を押すと、MSE・RMSE・データ数・最大の二乗誤差が表示されます。
- 下の表で各行の誤差と二乗誤差を確認します。最も二乗誤差が大きい行は強調表示されます。
計算式
MSE = (1/n) × Σ (yᵢ − ŷᵢ)²
RMSE = √MSE
yᵢ は実測値、ŷᵢ は予測値、n はデータ数です。誤差を2乗してから平均するため、MSEは常に0以上になり、大きな誤差ほど強く効きます。
計算例
サンプルの実測値 3, −0.5, 2, 7, 4.2 と予測値 2.5, 0, 2, 8, 3.6 で計算します。
| # | 誤差 | 二乗誤差 |
|---|---|---|
| 1 | 0.5 | 0.25 |
| 2 | −0.5 | 0.25 |
| 3 | 0 | 0 |
| 4 | −1 | 1 |
| 5 | 0.6 | 0.36 |
二乗誤差の合計は 1.86 なので、MSE = 1.86 ÷ 5 = 0.372 です。RMSE は √0.372 ≒ 0.6099 になります。4行目の二乗誤差 1 だけで合計の約54%を占めています。
結果の見方
- MSEは0に近いほど予測が実測に近いことを表します。
- 単位は「実測値の単位の2乗」なので、直感的な大きさを知りたいときは平方根をとったRMSEを見ます。
- 1件の二乗誤差が合計の大部分を占めている場合、その行が外れ値か、モデルが苦手なパターンかを確認しましょう。
- 同じデータで複数のモデルを比べるときは、MSEが小さいほうが二乗誤差の意味でよいモデルです。
MSEが学習でよく使われる理由
MSEは、線形回帰やニューラルネットワークの学習で最もよく使われる損失関数の1つです。誤差の2乗はなめらかな関数なので微分しやすく、勾配降下法で最小化しやすいという利点があります。また、誤差が正規分布に従うと考えたときの最尤推定と同じ形になることも、広く使われる理由です。
一方、評価指標として人に報告するときは、単位が2乗になるMSEより、元の単位に戻したRMSEのほうが伝わりやすい場面が多くあります。たとえば気温の予測でMSEが4なら、RMSEは2℃です。学習の損失としてはMSE、結果の説明にはRMSEやMAE、と役割を分けて考えると整理しやすくなります。モデルの比較では、同じ検証用データで計算した値どうしを比べることが大切です。
なお、MSEは平均値をねらった予測で最小になる性質があります。外れ値が多いデータで平均値に引っ張られたくない場合は、MAEやHuber損失での評価も検討してください。
注意点
- MSEは外れ値の影響をとても強く受けます。外れ値が多いデータではMAEやHuber損失もあわせて確認してください。
- スケールの異なるデータどうしでMSEを比べても意味がありません。
- ライブラリによっては、損失関数として ½ を掛けたMSEを使うことがあります。数値を比べるときは定義をそろえましょう。
- 学習用データのMSEだけが小さく、検証用データのMSEが大きい場合は過学習が疑われます。
MSE(平均二乗誤差)のよくある質問
Q. MSEとRMSEの違いは何ですか?
A. RMSEはMSEの平方根です。MSEは単位が2乗になりますが、RMSEは実測値と同じ単位に戻るので、誤差の大きさを直感的に読み取りやすくなります。
Q. MSEが大きいのは何が原因ですか?
A. 少数の大きな外れが原因のことがよくあります。このツールの表で二乗誤差が大きい行を確認すると、どのデータが影響しているかがわかります。
Q. MSEとMAEはどう使い分けますか?
A. 大きな外れを重く罰したいときはMSE、外れ値に引っ張られずに平均的な外れを知りたいときはMAEが向いています。
