मीन स्क्वेर्ड एरर क्या है?
मीन स्क्वेर्ड एरर (MSE) यह मापने के लिए सबसे ज़्यादा इस्तेमाल होने वाले मेट्रिक्स में से एक है कि आपके अनुमान (predictions) वास्तविक देखे गए मानों के कितने करीब हैं। यह हर अनुमानित मान (\(\hat{y}\)) और उसके संगत वास्तविक मान (\(y\)) के बीच के अंतर के वर्ग का औसत निकालता है। चूँकि अंतर को वर्ग किया जाता है, इसलिए बड़ी गलतियों पर छोटी गलतियों की तुलना में ज़्यादा सख्ती से जुर्माना लगता है, और परिणाम हमेशा शून्य या उससे अधिक (non-negative) होता है — एक बिल्कुल सटीक मॉडल का स्कोर ठीक 0 होता है।
इस कैलकुलेटर का उपयोग कैसे करें
अपने वास्तविक मान और अनुमानित मान दो अलग-अलग सूचियों के रूप में दर्ज करें, जिनमें मान कॉमा से अलग किए गए हों। दोनों सूचियाँ समान लंबाई की होनी चाहिए, और हर अनुमानित मान उसी स्थान पर मौजूद वास्तविक मान के साथ मेल खाना चाहिए। कैलकुलेटर इन्हें क्रम के अनुसार जोड़ी (pair) बनाता है, हर जोड़ी के लिए वर्ग त्रुटि (squared error) निकालता है, और MSE के साथ-साथ संबंधित RMSE (रूट मीन स्क्वेर्ड एरर) और SSE (वर्ग त्रुटियों का योग) भी देता है। यदि दोनों सूचियों की लंबाई अलग है, तो केवल मेल खाने वाली (overlapping) जोड़ियों का ही उपयोग होगा।
फ़ॉर्मूला समझें
MSE का फ़ॉर्मूला है $$\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2$$ हर डेटा बिंदु के लिए, वास्तविक मान में से अनुमान घटाएँ, उस अंतर का वर्ग करें, सभी वर्ग किए गए अंतरों को जोड़ें (यही SSE है), और अंत में बिंदुओं की संख्या \(n\) से भाग दें। MSE का वर्गमूल लेने पर RMSE मिलता है, जो इसलिए सुविधाजनक है क्योंकि इसकी इकाई मूल डेटा की इकाई जैसी ही रहती है।
हल किया हुआ उदाहरण
मान लीजिए वास्तविक मान 3, −0.5, 2, 7 हैं और अनुमान 2.5, 0.0, 2, 8 हैं। तो त्रुटियाँ होंगी 0.5, −0.5, 0, −1। इन्हें वर्ग करने पर मिलता है 0.25, 0.25, 0, 1, जिनका योग 1.5 है (यही SSE है)। इसे \(n = 4\) से भाग देने पर MSE आता है 0.375, और RMSE होता है \(\sqrt{0.375} \approx 0.6124\)।
अक्सर पूछे जाने वाले सवाल (FAQ)
अच्छा MSE मान कितना होता है? इसकी कोई सार्वभौमिक सीमा नहीं है — MSE आपके डेटा के स्केल पर निर्भर करता है। जितना कम हो उतना बेहतर, और 0 का मतलब है बिल्कुल सटीक फ़िट। इसकी तुलना अन्य मॉडलों से या लक्ष्य (target) के वैरियंस से करें।
MSE और RMSE में क्या अंतर है? RMSE सिर्फ़ MSE का वर्गमूल है। रिपोर्टिंग के लिए अक्सर RMSE को प्राथमिकता दी जाती है क्योंकि यह डेटा की ही इकाई में होता है और समझने में आसान रहता है।
त्रुटियों का वर्ग क्यों करते हैं, निरपेक्ष (absolute) मान क्यों नहीं? वर्ग करने से फ़ंक्शन स्मूद और डिफ़रेंशिएबल बनता है (जो ऑप्टिमाइज़ेशन के लिए उपयोगी है) और बड़ी त्रुटियों पर ज़्यादा सख्ती से जुर्माना लगता है। इसका विकल्प, मीन एब्सोल्यूट एरर (MAE), सभी त्रुटियों को रैखिक (linear) रूप से मानता है।
