RMSE

Корень из MSE — возвращает метрику в исходные единицы, сохраняя штраф за большие ошибки.

Ключевые тезисы

RMSE ≥ MAE всегда; их разрыв указывает на наличие крупных промахов.
Самая частая метрика в регрессионных соревнованиях.
Соответствует предположению о нормальном шуме.

Подробный разбор

2 подтем — раскройте любую, чтобы увидеть объяснение, формулы, примеры и интерактивные графики.

RMSE против MAE

Разрыв между ними — диагностический признак.

RMSE = \frac{1}{n} i \sum (y_{i} - y^_{i})^{2} \geq MAE

Обозначения

$y^$ предсказание модели
$y$ истинное значение целевой переменной
$n$ число объектов в выборке
$\sum$ суммирование по всем перечисленным элементам

Равенство достигается только если все ошибки одинаковы по модулю. Большой разрыв означает, что есть небольшое число крупных промахов — стоит посмотреть на них отдельно в анализе ошибок.

Пример

MAE = 5, RMSE = 25 → почти вся ошибка сосредоточена в нескольких объектах. Это повод для сегментного анализа, а не для перебора гиперпараметров.

С чем сравнивать RMSE

Само по себе число ничего не значит.

Наивный прогноз: среднее (для таблиц) или последнее значение (для рядов).
Разброс цели: RMSE, равный стандартному отклонению $y$ , означает нулевую полезность модели.
Историческая ошибка процесса: если люди ошибаются на 15%, модель с 12% уже ценна.

MASE = \frac{MAE _{модель}}{MAE _{наивный прогноз}}

Значение меньше 1 означает, что модель полезнее наивного бейзлайна

Связанные темы

Качество регрессии

Ключевые тезисы

Подробный разбор

RMSE против MAE

С чем сравнивать RMSE

Связанные темы

MAE80%

MSE80%

MAPE80%

SMAPE80%

R²80%

Adjusted R²80%

Linear Regression80%

Loss functions80%