Deep Learning Academy · درس

‏MSE وMAE للانحدار

معاقبة الابتعاد عن القيمة المستهدفة

الدرس 1 من 413 خطوة

‏MSE وMAE للانحدار درس مجاني في Deep Learning Academy على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في Deep Learning Academy، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة Deep Learning Academy 4 دروس في المجموع.

بعض أجزاء هذا الدرس لم تُترجم بعد وتظهر باللغة الإنجليزية.

Regression Needs Its Own Loss

When your model predicts a number like a price or temperature, you need a regression loss that measures how far each guess lands from the true value. 📏

Meet Mean Squared Error

MSE squares every prediction error, then averages them. Squaring keeps all errors positive and punishes big misses much harder than small ones.

MSE in One Line

PyTorch gives you nn.MSELoss, so you never write the formula by hand. You pass predictions and targets and get a single scalar back.

import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)

Why Squaring Matters

Because MSE squares errors, an error of 4 counts 16x more than an error of 1. That makes MSE very sensitive to large mistakes and outliers.

Meet Mean Absolute Error

MAE averages the absolute size of each error instead of squaring it. Every mistake counts in proportion to how big it actually is.

MAE in PyTorch

Use nn.L1Loss for MAE. The name comes from the L1 norm, which simply sums absolute differences before averaging.

import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)

MAE Shrugs Off Outliers

Since MAE never squares anything, one wild outlier does not blow up the loss. That makes it the calmer, more robust choice for messy data.

MSE vs MAE: The Tradeoff

Pick MSE when big errors are truly worse and your data is clean. Pick MAE when outliers are noise you do not want to chase.

What the Number Means

A regression loss is in your target's units (squared for MSE). Lower is better, but compare it across models, not as an absolute score.

Huber: The Best of Both

Want robustness and smooth gradients? Huber loss acts like MSE for small errors and like MAE for large ones, blending both behaviors.

import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)

Match Loss to Output Shape

For regression your final layer outputs raw numbers with no activation. The loss compares those values straight to the targets.

Quick Check

One outlier is dominating your training. Which loss is most robust to it?

أجب عليها في الدرس التفاعلي

Recap: Distance, Measured

You now read regression error two ways: MSE punishes big misses by squaring, while MAE stays steady against outliers. Match the loss to your data and you are set. 🎯

البدء مجانًا

تعلم Python مع معلم ذكاء اصطناعي — مجانًا

اكتب وقم بتشغيل أكوادك الفعلية في المتصفح، واحصل على مساعدة فورية من معلم ذكاء اصطناعي متاح 24/7، واستمر من حيث توقفت على الويب أو في التطبيق.

الدورات: 30
الدروس: 120

ابدأ التعلم مجانًا عرض الدورة الكاملة

الأسئلة الشائعة

هل درس «‏MSE وMAE للانحدار» مجاني؟

نعم — نص درس «‏MSE وMAE للانحدار» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة Deep Learning Academy، انتقل إلى CoddyKit PRO. تتضمن دورة Deep Learning Academy 4 دروس في المجموع.

ماذا ستتعلم في «‏MSE وMAE للانحدار»؟

معاقبة الابتعاد عن القيمة المستهدفة تتمرن على Deep Learning Academy مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.

هل أحتاج إلى خبرة سابقة لأبدأ Deep Learning Academy؟

لا تُشترط خبرة سابقة. Deep Learning Academy على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.

كم من الوقت يستغرق درس «‏MSE وMAE للانحدار»؟

معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.

هل يمكنني كتابة وتشغيل أكواد في درس Deep Learning Academy هذا؟

نعم. كل درس في Deep Learning Academy يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.

جميع الدروس في هذه الدورة

← العودة إلى Deep Learning Academy