Kesalahan Rata-Rata Kuadrat (MSE)

Ukur selisih kuadrat rata-rata antara nilai perkiraan dan nilai aktual.

Masukan Data

Nilai Aktual (y)Kebenaran Dasar

Nilai Prediksi (ŷ)Keluaran Model

Analisis Kesalahan

Kesalahan Rata-Rata Kuadrat (MSE)0.375

Kesalahan Root Mean Squared (RMSE)0.6124Error Root

Berarti Kesalahan Absolut (MAE)0.5000Absolute Mean

Pengamatan4

Overview

Mean Squared Error (MSE) adalah fungsi risiko mendasar yang mengukur rata-rata kuadrat kesalahan. Ini adalah metrik penting untuk mengevaluasi kinerja model regresi dalam pembelajaran mesin dan statistik, dimana UMK yang lebih kecil menunjukkan kesesuaian yang lebih baik.

💡

Pro Tips

Use MSE as a loss function when you want to strongly discourage large outliers in your predictions.
Bandingkan MSE dengan Mean Absolute Error (MAE) untuk melihat apakah error besar mendominasi performa model Anda.
Pastikan kumpulan data aktual dan prediksi Anda memiliki panjang yang sama dan sesuai dengan pengamatan yang sama.

Fun Facts

"MSE memberikan sanksi berat terhadap kesalahan yang lebih besar karena mengkuadratkan perbedaannya; kesalahan 10 adalah 100 kali lebih buruk daripada kesalahan 1."
"MSE selalu non-negatif, dan nilai 0 menunjukkan bahwa model memprediksi nilai sebenarnya dengan akurasi sempurna."
"Akar kuadrat dari MSE adalah Root Mean Squared Error (RMSE), yang mempunyai satuan yang sama dengan besaran yang diperkirakan."

Formula: MSE = (1/n) Σ(yᵢ - ŷᵢ)²

Used with this

Similar tools that might be useful

Kalkulator Uji A/B

Tentukan apakah hasil tes Anda signifikan secara statistik.

Ketidakpastian Mutlak vs Ketidakpastian Relatif

Konversi antara ketidakpastian Absolut (± unit) dan Relatif (%).

R-Kuadrat yang Disesuaikan

Evaluasi kesesuaian model sambil memperhitungkan jumlah prediktor.