平均二乗誤差(MSE)計算ツール

平均二乗誤差(MSE)計算ツール

人気 AI Skill PRO

計算を入力してください

公式

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
利用統計

広告

結果

平均二乗誤差(MSE)
0.375
MSE · 対応のある値: 4
二乗平均平方根誤差(RMSE) 0.6124
誤差二乗和(SSE) 1.5
ペア数(n) 4

このページの誤りを報告

平均二乗誤差(MSE)とは?

平均二乗誤差(Mean Squared Error、MSE)は、予測値が実測値にどれだけ近いかを測るために最もよく使われる指標のひとつです。各予測値(ŷ)と対応する実測値(y)との差を二乗し、その平均を取って算出します。誤差を二乗するため、小さなズレよりも大きなズレが強く反映されるのが特徴です。値は常に0以上となり、誤差がまったくない完璧なモデルではちょうど0になります。

回帰直線と、データ点と直線の間の垂直な残差線分を示した散布図
MSE は、実際の点と予測直線の間の残差(垂直方向のずれ)を二乗した値の平均を測ります。

この計算ツールの使い方

実測値と予測値を、それぞれカンマ区切りのリストとして入力します。2つのリストは同じ要素数にし、各予測値が同じ位置にある実測値と対応するように並べてください。本ツールは順番どおりにペアを作り、各ペアの二乗誤差を計算して、MSEに加えて関連指標であるRMSE(二乗平均平方根誤差)とSSE(誤差二乗和)も返します。なお、2つのリストの長さが異なる場合は、重なっている範囲のペアのみが使用されます。

計算式の解説

MSEの計算式は $$\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}\left(y_i - \hat{y}_i\right)^2$$ です。各データ点について、実測値から予測値を引き、その差を二乗します。すべての二乗誤差を合計したものがSSEで、これをデータ点の数 \(n\) で割るとMSEが得られます。さらにMSEの平方根を取るとRMSEになり、元のデータと同じ単位で表せるため解釈しやすいという利点があります。

広告
残差を二乗して正方形の面積にする様子を示した図
各誤差は平均を取る前に二乗されるため、大きなずれほど重くペナルティが課されます。

計算例

実測値が 3、−0.5、2、7 で、予測値が 2.5、0.0、2、8 だとします。このとき誤差は 0.5、−0.5、0、−1 となります。これらを二乗すると 0.25、0.25、0、1 になり、合計は 1.5(これがSSE)です。\(n = 4\) で割ると MSE は 0.375、RMSE は \(\sqrt{0.375} \approx 0.6124\) となります。

MSEとRMSEの解釈

平均二乗誤差(MSE)は、実際の値と予測値の差を二乗したものの平均です。MSE = 0 は完全な適合を意味します。つまり、すべての予測値が実際の値と一致している状態です。それより大きい値は何らかの誤差が存在することを示しますが、その値が「大きい」かどうかは文脈によって異なります。

  • 尺度と単位: MSE は対象変数の二乗の単位になります。価格をドルで予測する場合、MSE はドル²の単位になります。データの尺度を変換すると(例えばドルから千ドルへ)、MSE は尺度係数の二乗分だけ変化するため、普遍的に「良い」MSE の値は存在しません。
  • RMSE は元の単位で表される: \(\text{RMSE} = \sqrt{\text{MSE}}\) であるため、データと同じ単位での典型的な誤差の大きさとして直接読み取ることができます(大きな誤差により重みが置かれています)。
  • 基準との比較: 常に対象変数の平均値を予測するモデルの MSE は、対象変数の(母)分散に等しくなります。実際の値が 10, 12, 14, 16, 18 の場合、平均は 14 であり、毎回 14 を予測すると MSE = (16 + 4 + 0 + 4 + 16) / 5 = 8 となります。有用なモデルの MSE は、この基準値を明確に下回る必要があります。
  • RMSE と散らばりの比較: RMSE をデータの標準偏差または範囲と比較してください。RMSE が標準偏差よりはるかに小さい場合、モデルがばらつきの多くを説明していることを示唆します。RMSE が標準偏差に近いか、それを上回る場合、平均値を推測する場合と比べてほとんど改善がないことを示します。
  • 外れ値への感度: 誤差を二乗するため、1つの大きなずれが MSE と RMSE を支配することがあります。極端な値がいくつかあり、それらが代表的でない場合は、MAE も確認してください。
  • 有効な比較: 同じデータセットかつ同じ尺度で計算された MSE の値だけを比較してください。異なるデータセットや異なる単位から得られた MSE は、相対的な品質についてほとんど何も示しません。
  • 訓練データとテストデータ: MSE は訓練データとテストデータの両方で計算してください。訓練 MSE が非常に低く、テスト MSE がはるかに高い場合は、過学習の典型的な兆候です。

さまざまな誤差のシナリオにおける MSE と RMSE

すべてのシナリオで同じ実際の値 10, 12, 14, 16, 18(n = 5)を使用します。誤差は予測値から実際の値を引いたものです。変わるのは予測値のみです。

シナリオ 予測値 誤差 SSE MSE RMSE MAE
完全な予測 10, 12, 14, 16, 18 0, 0, 0, 0, 0 0 0 0 0
小さな一様な誤差 11, 11, 15, 15, 19 +1, −1, +1, −1, +1 5 1 1 1
1つの大きな外れ値の誤差 10, 12, 14, 16, 23 0, 0, 0, 0, +5 25 5 ≈ 2.236 1
一定の偏り(+2) 12, 14, 16, 18, 20 +2, +2, +2, +2, +2 20 4 2 2

外れ値の行の検算: $$\text{SSE} = 0^2 + 0^2 + 0^2 + 0^2 + 5^2 = 25,\quad \text{MSE} = \frac{25}{5} = 5,\quad \text{RMSE} = \sqrt{5} \approx 2.236,\quad \text{MAE} = \frac{5}{5} = 1$$

まとめ: 小さな一様な誤差のシナリオと外れ値のシナリオは、同じ MAE(1)を持ちますが、外れ値は誤差 5 が 25 に二乗されるため、MSE を 1 から 5 に押し上げます。一定の偏り 2 のシナリオでは、すべての誤差の大きさが同じであるため、RMSE と MAE がどちらも 2 になることを示しています。

広告

主要な用語と関連する指標

  • n: データ点の数(実際の値と予測値のペアの数)。MSE は n で割ります。
  • 残差: 1つのデータ点について、実際の値とその予測値の差 \(e_i = y_i - \hat{y}_i\)(誤差は二乗されるため、符号の定義は MSE には影響しません)。
  • SSE(誤差二乗和): \(\sum e_i^2\)。MSE とは \(\text{SSE} = n \times \text{MSE}\) の関係があります。
  • MSE(平均二乗誤差): \(\text{SSE}/n\)、すなわち二乗残差の平均で、対象変数の二乗の単位で表されます。
  • RMSE(二乗平均平方根誤差): \(\sqrt{\text{MSE}}\)、対象変数と同じ単位で表されます。
  • MAE(平均絶対誤差): \(\frac{1}{n}\sum |e_i|\)。すべての誤差を線形に重み付けするため、MSE よりも外れ値の影響を受けにくくなります。RMSE は常に MAE 以上です。
  • R²(決定係数): \(R^2 = 1 - \text{SSE}/\text{SST}\)。ここで SST は実際の値の平均まわりの全変動の平方和です。同等に、\(R^2 = 1 - \text{MSE}/\text{Var}(y)\) であり、予測の MSE を平均値による予測の基準と比較しています。R² が 1 のとき MSE = 0 に一致します。
  • 外れ値: 典型的なパターンから大きく外れたデータ点または誤差。二乗することで、外れ値は MSE と RMSE において大きな重みを持ちます。
  • 過学習: モデルが訓練データに非常によく適合する(訓練 MSE が低い)一方で、新しいデータに対しては性能が低下する(テスト MSE が高い)状態。

よくある質問(FAQ)

MSEはどのくらいの値なら良いのですか? 万能な基準値はありません。MSEはデータのスケールに依存するためです。値は小さいほど良く、0なら完全な当てはまりを意味します。他のモデルと比較したり、目的変数の分散と比べたりして評価しましょう。

MSEとRMSEの違いは? RMSEはMSEの平方根にすぎません。RMSEはデータと同じ単位で表せて解釈しやすいため、結果を報告する際によく好んで使われます。

なぜ絶対値ではなく誤差を二乗するのですか? 二乗すると関数が滑らかで微分可能になり(最適化に便利です)、大きな誤差をより強く反映できます。一方、代わりに使われる平均絶対誤差(MAE)は、すべての誤差を線形に扱います。

最終更新:

数学と統計で人気の電卓

数学と統計の電卓をすべて見る