متوسط الخطأ التربيعي

خطوات الاستخدام

الخطوة 1: إدخال القيم الفعلية والمتوقعة. القيم الفعلية هي القيم الحقيقية التي تم قياسها أو ملاحظتها، بينما القيم المتوقعة هي تلك التي ينتجها النموذج (مثل نموذج الانحدار أو الشبكة العصبية). يجب أن تكون كلتا القائمتين بنفس الطول. على سبيل المثال، إذا كان لدينا 5 ملاحظات، أدخل القيم الفعلية 1,2,3,4,5 والمتوقعة 1.1,2.2,2.9,4.1,5.0.

الخطوة 2: حساب الأخطاء الفردية. لكل زوج من القيم، احسب الفرق بين القيمة الفعلية والقيمة المتوقعة: e_i = actual_i - predicted_i. هذا الفرق يمثل الخطأ للنقطة i. يمكن أن يكون موجبًا إذا كانت القيمة الفعلية أكبر، أو سالبًا إذا كانت القيمة المتوقعة أكبر. ثم قم بتربيع كل خطأ: e_i^2. التربيع يزيل الإشارات السالبة ويعطي وزناً أكبر للأخطاء الكبيرة.

الخطوة 3: جمع الأخطاء التربيعية و قسمة. اجمع جميع الأخطاء التربيعية التي تم حسابها في الخطوة السابقة: sum(e_i^2) لكل i من 1 إلى n (حيث n عدد الملاحظات). ثم اقسم المجموع على n: MSE = (1/n) * sum(e_i^2). هذه هي القيمة المتوسطة للأخطاء التربيعية، وتعطي فكرة عن الأداء الكلي للنموذج. كلما كان MSE أصغر، كان أداء النموذج أفضل (الأخطاء أقل).

الأسئلة الشائعة

MSE هو متوسط الفروق التربيعية بين القيم الفعلية والمتوقعة. يتم حسابه بقسمة مجموع مربعات الأخطاء على عدد الملاحظات. بينما MAE هو متوسط القيم المطلقة للأخطاء. الفرق الرئيسي أن MSE يعاقب الأخطاء الكبيرة بشدة (بسبب التربيع) بينما MAE يعامل جميع الأخطاء بوزن خطي. هذا يعني أن MSE أكثر حساسية للقيم المتطرفة. من الناحية الرياضية، MSE هو دالة خسارة قابلة للتفاضل مما يسهل استخدامه في تحسين النماذج (مثل الانحدار). أما MAE فغير قابلة للتفاضل عند الصفر. اختيار بينهما يعتمد على التطبيق: إذا كانت القيم المتطرفة مهمة ويجب تجنبها، استخدم MSE. إذا كنت تريد مقاومة أكبر للقيم المتطرفة، استخدم MAE. في النماذج التنبؤية، غالباً ما يستخدم MSE لأنه يعطي حلاً فريداً في الانحدار الخطي (مربعات صغرى).

في الانحدار اللوجستي، عادة ما تستخدم دوال خسارة أخرى مثل الانتروبيا المتقاطعة (cross-entropy) لأن المشكلة تصنيفية وليست انحداراً. ومع ذلك، يمكن استخدام MSE نظرياً، لكنه غير مفضل لأن MSE يفترض أن الأخطاء موزعة بشكل طبيعي ومستقل، وهذا لا ينطبق على التصنيف حيث المخرجات احتمالات بين 0 و1. استخدام MSE في الانحدار اللوجستي قد يؤدي إلى تقاربات بطيئة وحلول غير مثلى. أما بالنسبة للبيانات الفئوية الحقيقية (مثل التصنيف المتعدد)، فإن MSE غير مناسب تماماً. بدلاً من ذلك، يستخدم cross-entropy لتقييم الفرق بين التوزيعات الاحتمالية. بشكل عام، MSE مصمم للمشاكل الانحدارية حيث القيم المستهدفة مستمرة.

إذا كان MSE منخفضاً جداً، فهذا يعني أن النموذج يتنبأ بدقة عالية جداً. لكن انخفاض MSE قد يشير أيضاً إلى overfitting (فرط التكيف) حيث يتذكر النموذج بيانات التدريب بدقة ولكنه يفشل في التعميم على بيانات جديدة. لذلك، يجب دائماً تقييم MSE على مجموعة اختبار منفصلة. من الممكن أن يكون MSE صفراً إذا تطابقت القيم الفعلية والمتوقعة تماماً لجميع النقاط. هذا يحدث عندما يكون النموذج معقداً جداً (مثل interpolating) أو عندما تكون البيانات خالية من الضوضاء. ولكن في العالم الحقيقي، يكاد يكون من المستحيل الحصول على MSE صفر بسبب الضوضاء والخطأ العشوائي. حتى إذا حصلت على MSE صفر على بيانات التدريب، فمن المحتمل أن يكون overfitting.

RMSE هو الجذر التربيعي لـ MSE. العلاقة بسيطة: RMSE = sqrt(MSE). الفائدة الرئيسية من RMSE أنه يعيد الخطأ إلى نفس وحدة القيم الأصلية (لأن MSE بالوحدة المربعة). مثلاً، إذا كانت القيم بالمتر، فإن MSE بالمتر المربع، بينما RMSE بالمتر. هذا يجعل RMSE أكثر قابلية للتفسير وبديهية. RMSE يعطي فكرة عن متوسط حجم الخطأ بالوحدة الأصلية. كما أن RMSE يحتفظ بخاصية حساسية الأخطاء الكبيرة (لأنه جذر تربيعي لمجموع المربعات). في التطبيقات العلمية والهندسية، يفضل عادةً استخدام RMSE عند مقارنة دقة النماذج. لاحظ أن RMSE يمكن أن يكون أكبر من أو يساوي MAE، ويكون الفرق بينهما مؤشراً على تباين الأخطاء (كلما زاد الفرق، زادت القيم المتطرفة).

متوسط الخطأ التربيعي

أدخل القيم

خطوات الاستخدام

أمثلة محلولة

أمثلة محسوبة

الأسئلة الشائعة

أدخل القيم

خطوات الاستخدام

1مثال 1: نموذج انحدار خطي بسيط. لدينا 5 نقاط بيانات فعلية: [3.0, -0.5, 2.0, 7.0, 4.5] وقيم متوقعة من النموذج: [2.5, 0.0, 2.1, 7.8, 4.0]. احسب MSE.

2مثال 2: توقع أسعار المنازل. لدينا نموذج توقع أسعار لمنازل، والقيم الفعلية بالملايين: [3.5, 5.0, 4.2, 6.1, 5.8] والقيم المتوقعة: [3.4, 5.2, 4.0, 6.0, 6.1]. احسب MSE وفسر.

أمثلة محسوبة

الأسئلة الشائعة