حاسبة متوسط مربع الخطأ (MSE)

حاسبة متوسط مربع الخطأ (MSE)

رائد AI Skill PRO

أدخل الحساب

صيغة رياضية

MSE=1n∑i=1n(yi−y^i)2\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}\left({y_i} - {{\hat{y}_i}}\right)^2
إحصاءات الاستخدام

اعلان

نتائج

متوسط مربع الخطأ
٠٫٣٧٥
MSE · القيم المزدوجة: ٤
جذر متوسط مربع الخطأ (RMSE) ٠٫٦١٢٤
مجموع مربعات الأخطاء (SSE) ١٫٥
عدد الأزواج (n) ٤

الإبلاغ عن خطأ في هذه الصفحة

ما هو متوسط مربع الخطأ؟

يُعَدّ متوسط مربع الخطأ (MSE) من أكثر المقاييس استخدامًا لتقدير مدى قُرب مجموعة من التنبؤات من القيم الفعلية المرصودة. ويعمل عبر حساب متوسط مربعات الفروق بين كل قيمة متوقَّعة (ŷ) والقيمة الفعلية المقابلة لها (y). وبما أنّ الأخطاء تُربَّع، فإنّ الأخطاء الكبيرة تُعاقَب بشكل أشدّ من الصغيرة، كما أنّ الناتج لا يكون سالبًا أبدًا — والنموذج المثالي يحصل على قيمة 0 بالضبط.

مخطط مبعثر مع خط انحدار وقطع رأسية للبواقي بين نقاط البيانات والخط
يقيس متوسط مربعات الخطأ (MSE) متوسط مربعات البواقي (الفجوات الرأسية) بين النقاط الفعلية وخط التنبؤ.

كيفية استخدام هذه الحاسبة

أدخِل القيم الفعلية والقيم المتوقَّعة على هيئة قائمتين مفصولتين بفواصل. يجب أن تكون القائمتان بالطول نفسه، بحيث تتطابق كل قيمة متوقَّعة مع القيمة الفعلية في الموضع ذاته. تقوم الحاسبة بإقران القيم وفق الترتيب، ثم تحسب مربع الخطأ لكل زوج، وتعرض لك قيمة MSE إلى جانب RMSE (جذر متوسط مربع الخطأ) و SSE (مجموع مربعات الأخطاء). وإذا اختلف طول القائمتين، تُستخدَم الأزواج المتطابقة فقط.

شرح المعادلة

صيغة متوسط مربع الخطأ هي $$\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2$$ فلكل نقطة بيانات تطرح القيمة المتوقَّعة من القيمة الفعلية، ثم تربّع هذا الفرق، وتجمع كل الفروق المربَّعة معًا (وهذا هو SSE)، وأخيرًا تقسم الناتج على عدد النقاط \(n\). وأخذ الجذر التربيعي لـ MSE يعطيك RMSE، وهو مفيد لأنّه يأتي بالوحدة نفسها التي للبيانات الأصلية.

اعلان
رسم يوضح تربيع أحد البواقي ليصبح مساحة مربعة
يُربَّع كل خطأ قبل أخذ المتوسط، لذا تُعاقب الانحرافات الكبيرة بشكل أشد.

مثال تطبيقي

لنفترض أنّ القيم الفعلية هي 3 و−0.5 و2 و7، وأنّ القيم المتوقَّعة هي 2.5 و0.0 و2 و8. عندئذٍ تكون الأخطاء 0.5 و−0.5 و0 و−1. وبتربيعها نحصل على 0.25 و0.25 و0 و1، ومجموعها 1.5 (وهو SSE). وبالقسمة على \(n = 4\) يكون متوسط مربع الخطأ 0.375، ويكون RMSE هو \(\sqrt{0.375} \approx 0.6124\).

تفسير MSE وRMSE الخاصين بك

يحسب متوسط الخطأ التربيعي متوسط الفروق المربعة بين القيم الفعلية والقيم المتوقعة. MSE = 0 يعني ملاءمة مثالية: كل تنبؤ يساوي قيمته الفعلية. أي قيمة أكبر تعني وجود بعض الخطأ، لكن ما إذا كانت "كبيرة" يعتمد على السياق.

  • المقياس والوحدات: MSE يكون بالوحدات المربعة للمتغير الهدف. إذا توقعت الأسعار بالدولار، فإن MSE يكون بوحدة دولار². إعادة قياس البيانات (مثلاً من دولارات إلى آلاف الدولارات) تغيّر MSE بمربع معامل التحويل، لذلك لا توجد قيمة MSE "جيدة" عامة.
  • RMSE بالوحدات الأصلية: \(\text{RMSE} = \sqrt{\text{MSE}}\)، ولذلك يمكن قراءته مباشرةً كحجم خطأ نموذجي بنفس وحدات بياناتك (مع ترجيح للأخطاء الكبيرة).
  • المقارنة مع خط الأساس: النموذج الذي يتنبأ دائماً بمتوسط المتغير الهدف يكون له MSE مساوياً لتباين المتغير الهدف (للمجتمع). للقيم الفعلية 10، 12، 14، 16، 18 يكون المتوسط 14، والتنبؤ بالقيمة 14 في كل مرة يعطي MSE = (16 + 4 + 0 + 4 + 16) / 5 = 8. يجب أن يكون لنموذج مفيد MSE أقل بوضوح من خط الأساس هذا.
  • RMSE مقابل الانتشار: قارن RMSE بالانحراف المعياري أو بمدى البيانات. RMSE أصغر بكثير من الانحراف المعياري يشير إلى أن النموذج يفسر جزءاً كبيراً من التباين؛ أما RMSE القريب منه أو الأكبر منه فيشير إلى تحسن ضئيل مقارنة بتخمين المتوسط.
  • الحساسية للقيم الشاذة: لأن الأخطاء تُربّع، فإن خطأً كبيراً واحداً قد يهيمن على MSE وRMSE. إذا كانت بعض النقاط المتطرفة غير ممثلة، فتحقق أيضاً من MAE.
  • المقارنات الصحيحة: قارن قيم MSE المحسوبة على نفس مجموعة البيانات وبنفس المقياس فقط. قيمة MSE من مجموعة بيانات مختلفة أو وحدات مختلفة لا تقول الكثير عن الجودة النسبية.
  • التدريب مقابل الاختبار: احسب MSE على بيانات التدريب وبيانات الاختبار معاً. MSE منخفض جداً في التدريب مع MSE أعلى بكثير في الاختبار علامة كلاسيكية على الإفراط في الملاءمة (Overfitting).

مقارنة MSE وRMSE عبر سيناريوهات الخطأ المختلفة

تستخدم كل السيناريوهات نفس القيم الفعلية: 10، 12، 14، 16، 18 (n = 5). الأخطاء هي التنبؤ ناقص القيمة الفعلية. الذي يتغير فقط هو التنبؤات.

السيناريو القيم المتوقعة الأخطاء SSE MSE RMSE MAE
تنبؤ مثالي 10، 12، 14، 16، 18 0، 0، 0، 0، 0 0 0 0 0
أخطاء موحدة صغيرة 11، 11، 15، 15، 19 +1، −1، +1، −1، +1 5 1 1 1
خطأ شاذ كبير واحد 10، 12، 14، 16، 23 0، 0، 0، 0، +5 25 5 ≈ 2.236 1
انحياز ثابت (+2) 12، 14، 16، 18، 20 +2، +2، +2، +2، +2 20 4 2 2

تحقق عملي لصف القيمة الشاذة: $$\text{SSE} = 0^2 + 0^2 + 0^2 + 0^2 + 5^2 = 25,\quad \text{MSE} = \frac{25}{5} = 5,\quad \text{RMSE} = \sqrt{5} \approx 2.236,\quad \text{MAE} = \frac{5}{5} = 1$$

الخلاصة: سيناريو الأخطاء الصغيرة الموحدة وسيناريو القيمة الشاذة لهما نفس MAE (1)، ومع ذلك يرفع الخطأ الشاذ MSE من 1 إلى 5 لأن الخطأ الواحد 5 يُربّع ليصبح 25. يوضح سيناريو الانحياز الثابت أن إزاحة ثابتة قدرها 2 تعطي RMSE وMAE متساويين وقدرهما 2، لأن جميع الأخطاء لها الحجم نفسه.

اعلان

المصطلحات الأساسية والمقاييس ذات الصلة

  • n: عدد نقاط البيانات (أزواج من القيم الفعلية والمتوقعة). يُقسم MSE على n.
  • البواقي (Residual): الفرق بين القيمة الفعلية وتنبؤها لنقطة واحدة، \(e_i = y_i - \hat{y}_i\) (اصطلاح الإشارة لا يهم في MSE لأن الأخطاء تُربّع).
  • SSE (مجموع مربعات الأخطاء): \(\sum e_i^2\). وهو مرتبط بـ MSE بالعلاقة \(\text{SSE} = n \times \text{MSE}\).
  • MSE (متوسط الخطأ التربيعي): \(\text{SSE}/n\)، أي متوسط البواقي المربعة، بوحدات مربعة للمتغير الهدف.
  • RMSE (جذر متوسط الخطأ التربيعي): \(\sqrt{\text{MSE}}\)، بنفس وحدات المتغير الهدف.
  • MAE (متوسط الخطأ المطلق): \(\frac{1}{n}\sum |e_i|\). يعطي وزناً خطياً لجميع الأخطاء، لذلك فهو أقل حساسية للقيم الشاذة من MSE. وRMSE يساوي دائماً أو يكون أكبر من MAE.
  • R² (معامل التحديد): \(R^2 = 1 - \text{SSE}/\text{SST}\)، حيث SST هو مجموع المربعات الكلي حول متوسط القيم الفعلية. وبالتكافؤ، \(R^2 = 1 - \text{MSE}/\text{Var}(y)\)، لذا فهو يقارن MSE بخط الأساس القائم على التنبؤ بالمتوسط. وقيمة R² تساوي 1 تطابق MSE = 0.
  • القيمة الشاذة (Outlier): نقطة بيانات أو خطأ بعيد جداً عن النمط المعتاد. التربيع يجعل القيم الشاذة تأخذ وزناً كبيراً في MSE وRMSE.
  • الإفراط في الملاءمة (Overfitting): عندما يلائم النموذج بيانات التدريب بدقة كبيرة (MSE منخفض في التدريب) لكنه يؤدي أداءً أسوأ على البيانات الجديدة (MSE أعلى في الاختبار).

الأسئلة الشائعة

ما هي قيمة MSE الجيدة؟ لا توجد عتبة موحَّدة، فقيمة MSE تعتمد على مقياس بياناتك. وكلما كانت أصغر كان ذلك أفضل، والقيمة 0 تعني تطابقًا تامًّا. قارِنها بنماذج بديلة أو بتباين القيمة المستهدَفة.

ما الفرق بين MSE و RMSE؟ ببساطة، RMSE هو الجذر التربيعي لـ MSE. وغالبًا ما يُفضَّل استخدام RMSE في عرض النتائج لأنّه يأتي بوحدة البيانات نفسها ويكون أسهل في التفسير.

لماذا نربّع الأخطاء بدلًا من استخدام القيم المطلقة؟ التربيع يجعل الدالة ملساء وقابلة للاشتقاق (وهو أمر مفيد في عمليات التحسين)، كما أنّه يعاقب الأخطاء الكبيرة بشكل أشدّ. أمّا البديل، وهو متوسط الخطأ المطلق (MAE)، فيعامل جميع الأخطاء بشكل خطّي.

آخر تحديث:

الأكثر شيوعًا في الرياضيات والإحصاء

عرض جميع حاسبات الرياضيات والإحصاء