Difference between r1.15 and the current
@@ -1,3 +1,4 @@
#noindex
'''mean squared error (MSE)''' or '''mean squared deviation (MSD)'''squared 대신 square로 표현해도 무방.
@@ -38,7 +39,7 @@
----[[추정량,estimator]] $\hat{\theta_n}$ 이 [[모수,parameter]] $\theta$ 에 가까운 정도를 나타내는 측도로 평균제곱오차(mean squared error, MSE) $E(\hat{\theta_n}-\theta)^2$ 를 쓸 수도 있다.
L^^p^^거리의 특수 형태인 L^^2^^ [[거리,distance]].
from https://seoncheolpark.github.io/book/_book/7-3-lp-convergence-in-lp.html
from ~~https://seoncheolpark.github.io/book/_book/7-3-lp-convergence-in-lp.html~~
----[[예측,prediction]]값과 실제값의 차이를 측정하는 방법 중 하나...
{
@@ -61,5 +62,4 @@
----
Up: [[오차,error]] [[평균제곱,mean_square]] [[손실함수,loss_function]]
mean squared error (MSE) or mean squared deviation (MSD)
squared 대신 square로 표현해도 무방.
squared 대신 square로 표현해도 무방.
가장 많이 쓰이는 손실함수,loss_function
Formula for MSE:
where
MSE는 단순히 SSE를 sample size로 나눈 것이다. // 표본,size 표본크기,sample_size
: 번째, 측정값 (observed value)
: 번째, 예상한 값 (predicted value)
: 측정의 수 (number of observations)
식에서 분자,numerator는 SSE(sum of the squared errors)이다. // SSE: 번째, 예상한 값 (predicted value)
: 측정의 수 (number of observations)
MSE는 단순히 SSE를 sample size로 나눈 것이다. // 표본,size 표본크기,sample_size
구하는 방법
- 평균을 구한다.
- 각 데이터와 평균의 차에 제곱을 한다.
- 위에서 구한 값을 모두 더한다.
- 위에서 구한 값을 총 데이터 숫자만큼 나눈다.
추정량,estimator 이 모수,parameter 에 가까운 정도를 나타내는 측도로 평균제곱오차(mean squared error, MSE) 를 쓸 수도 있다.
Lp거리의 특수 형태인 L2 거리,distance.
fromhttps://seoncheolpark.github.io/book/_book/7-3-lp-convergence-in-lp.html
Lp거리의 특수 형태인 L2 거리,distance.
from
비교: 다른 errors ¶
SSE = SSR = RSS .... curr. 제곱합,square_sum
RMSE = RMSD ... 평균제곱근편차(root_mean_square_deviation RMSD) 또는 평균제곱근오차(root_mean_square_error RMSE) - rel. 제곱평균제곱근,root_mean_square,RMS
.. tbw
RMSE = RMSD ... 평균제곱근편차(root_mean_square_deviation RMSD) 또는 평균제곱근오차(root_mean_square_error RMSE) - rel. 제곱평균제곱근,root_mean_square,RMS
.. tbw