🎯 Erro Quadrático Médio

Em poucas palavras

O Erro Quadrático Médio (Mean Squared Error - MSE) é uma métrica utilizada em Estatística e Aprendizado de máquina para medir a média dos quadrados dos erros — ou seja, a diferença quadrática média entre os valores estimados e o valor real. É amplamente usado como uma Função de Perda em problemas de Regressão.

---

📝 Notas e Desenvolvimento

---

🔗 Conexões e Contexto

• Atlas: MdC - Tecnologia, MdC - Matemática
• Notas Relacionadas:

---

📚 Referências e Fontes

Links Externos

• Youtube
• Wikipedia

Citações Diretas

📂 Outros Conteúdos Preservados

Erro Quadrático Médio (Complemento)

Fórmula

$\text{MSE}=\frac{1}{n}{\sum }_{i=1}^n(Y_i-{\hat{Y}}_i{)}^2$

Onde:

• $n$ é o número de amostras.
• $Y_i$ é o valor real (observado).
• ${\hat{Y}}_i$ é o valor previsto (estimado).

:: Referência :: Erro quadrático médio – Wikipédia, a enciclopédia livre

:: Referência :: Mean squared error - Wikipedia

Intuição e Características

A principal característica do MSE é o elevado ao quadrado $(\dots {)}^2$. Isso traz duas implicações importantes para a análise de dados:

1. Eliminação de sinais negativos: Garante que erros positivos e negativos não se cancelem (diferente do erro médio simples).
2. Penalização de grandes erros: Ao elevar a diferença ao quadrado, o MSE penaliza erros maiores de forma desproporcionalmente mais severa do que erros pequenos.
   • Exemplo: Um erro de 2 vira 4, mas um erro de 10 vira 100.

Isso torna o MSE particularmente sensível a outliers. Se o objetivo do modelo é evitar grandes desvios a todo custo, o MSE é uma métrica adequada. Se o conjunto de dados possui muitos ruídos ou outliers que não devem influenciar tanto o modelo, métricas como o Erro Absoluto Médio (MAE) podem ser preferíveis.

Relação com Outras Métricas

• RMSE (Raiz do Erro Quadrático Médio): É simplesmente a raiz quadrada do MSE ($\sqrt{MSE}$). É frequentemente usado porque traz a unidade de medida de volta para a escala original da variável alvo (ex: se o erro é em metros, o MSE será em $m^2$, enquanto o RMSE será em $m$).
• Viés e Variância: O MSE pode ser decomposto na soma da Variância do estimador e o quadrado do seu Viés (Bias).