RMSE(二乗平均平方根誤差)とは?
RMSE(Root Mean Square Error:二乗平均平方根誤差)は、モデルの予測値が実測値からどれだけ離れているかを測る、最もよく使われる指標のひとつです。予測誤差のおおよその大きさを元データと同じ単位で表すため、結果を直感的に解釈できます。RMSEが小さいほど当てはまりが良く、RMSEが0であれば予測が完全に一致していることを意味します。
この計算ツールの使い方
実測値と予測値を、それぞれカンマまたはスペースで区切ったリストとして入力します。2つのリストは要素数を揃えてください。数が異なる場合は、先頭から一致する n 組のペアのみが計算に使われます。「計算」ボタンを押すと、RMSEに加えて、参考指標として平均二乗誤差(MSE)と平均絶対誤差(MAE)も表示されます。
計算式の解説
RMSEは次の4ステップで求めます。
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$(1)各実測値から予測値を引いて誤差を求める、(2)正負の誤差が打ち消し合わないよう、それぞれの誤差を二乗する、(3)二乗した誤差を平均してMSEを得る、(4)平方根をとって元の単位に戻す——という流れです。二乗することで大きな誤差ほど強く反映されるため、RMSEはMAEに比べて外れ値の影響を受けやすい指標になっています。
計算例
実測値 = [3, -0.5, 2, 7]、予測値 = [2.5, 0.0, 2, 8] の場合を考えてみましょう。誤差はそれぞれ \(0.5\)、\(-0.5\)、\(0\)、\(-1\) です。二乗すると \(0.25\)、\(0.25\)、\(0\)、\(1\) となり、合計は \(1.5\) です。これを \(n = 4\) で割ると \(\text{MSE} = 0.375\)。その平方根をとって \(\text{RMSE} \approx 0.6124\) となります。MAE は \((0.5 + 0.5 + 0 + 1) \div 4 = 0.5\) です。
追加の計算例
どちらの例も、5日間の気温予測(単位は°C)を使っています。各誤差は \(e_i = \text{実測値}_i - \text{予測値}_i\) です。二乗誤差からは平均二乗誤差(MSE)と二乗平均平方根誤差(RMSE)を求め、絶対誤差からは平均絶対誤差(MAE)を求めます。2つのデータセットは5日目を除いて同じなので、1回の大きな予測外れが各指標にどう影響するかを確認できます。
例1:かなり正確な予測
実測気温:20, 22, 25, 24, 21。予測気温:21, 20, 25, 27, 22。
| 日 | 実測値(°C) | 予測値(°C) | 誤差 \(e_i\) | 二乗誤差 \(e_i^2\) | 絶対誤差 \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 22 | −1 | 1 | 1 |
| 合計 | 15 | 7 | |||
- 二乗誤差の合計:\(1 + 4 + 0 + 9 + 1 = 15\)
- 平均二乗誤差(MSE):$$\text{平均二乗誤差} = \frac{15}{5} = 3$$
- 二乗平均平方根誤差(RMSE):$$\text{二乗平均平方根誤差} = \sqrt{3} \approx 1.7321$$
- 平均絶対誤差(MAE):$$\text{平均絶対誤差} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
結果:RMSE ≈ 1.7321 °C、MAE = 1.4 °C。2つの値は近く(RMSE/MAE ≈ 1.24)、これはすべての誤差の大きさがほぼ同じためです。
例2:同じ予測で1つだけ大きく外れた場合
5日目を除いてすべて同じです。5日目の予測は22 °Cではなく31 °Cでした。実測気温は変わらず21 °Cです。
| 日 | 実測値(°C) | 予測値(°C) | 誤差 \(e_i\) | 二乗誤差 \(e_i^2\) | 絶対誤差 \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 31 | −10 | 100 | 10 |
| 合計 | 114 | 16 | |||
- 二乗誤差の合計:\(1 + 4 + 0 + 9 + 100 = 114\)
- 平均二乗誤差(MSE):$$\text{平均二乗誤差} = \frac{114}{5} = 22.8$$
- 二乗平均平方根誤差(RMSE):$$\text{二乗平均平方根誤差} = \sqrt{22.8} \approx 4.7749$$
- 平均絶対誤差(MAE):$$\text{平均絶対誤差} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
結果:RMSE ≈ 4.7749 °C、MAE = 3.2 °C。
2つの例の比較
| 指標 | 例1 | 例2 | 増加量 |
|---|---|---|---|
| 平均二乗誤差 MSE(°C²) | 3 | 22.8 | ×7.6 |
| 二乗平均平方根誤差 RMSE(°C) | 1.7321 | 4.7749 | +3.0428(×2.76) |
| 平均絶対誤差 MAE(°C) | 1.4 | 3.2 | +1.8(×2.29) |
| RMSE ÷ MAE | 1.24 | 1.49 | — |
10 °Cずれた1回の予測だけで、二乗誤差の合計114のうち100を占め、約88%になりました。MAEでは、そのずれは合計誤差16のうち10として数えられます。RMSEは平均する前に各誤差を二乗するため、MAEよりもはるかに大きく上昇しました。RMSEがMAEよりずっと大きいときは、通常、少数の大きな誤差がスコアを押し上げています。モデル全体が悪いかどうかを判断する前に、それらの個々のデータ点を確認してください。
単位:RMSEとMAEは、データと同じ単位である°Cです。MSEの単位は°C²です。このため、RMSEの方が解釈しやすいことがよくあります。
よくある質問
RMSEはどれくらいなら「良い」と言えますか? 良し悪しはデータの尺度に完全に依存します。対象とする変数の範囲や平均値、あるいはベースラインとなるモデルと比較して判断しましょう。
RMSEとMAEはどう違いますか? RMSEは誤差を二乗してから平均するため、大きな誤差により重いペナルティを与えます。一方MAEはすべての誤差を比例的に同等に扱います。
RMSEがマイナスになることはありますか? ありません。RMSEは二乗の平均の平方根なので、常に0以上の値になります。