MSE und MAE für Regression
Abweichungen vom Ziel bestrafen.
MSE und MAE für Regression ist eine kostenlose Deep Learning Academy-Lektion auf CoddyKit. Dies ist Lektion 1 von 4. Du kannst die komplette Lektion unten kostenlos lesen – dann übst du sie direkt im Browser mit einem integrierten Code-Editor und einem KI-Tutor rund um die Uhr. Sie ist Teil des Deep Learning Academy-Lernpfads, und dein Fortschritt wird über Web und CoddyKit-App synchronisiert. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Teile dieser Lektion wurden noch nicht übersetzt und werden auf Englisch angezeigt.
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?
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. 🎯
Häufig gestellte Fragen
Ist die Lektion „MSE und MAE für Regression“ kostenlos?
Ja — der vollständige Text von „MSE und MAE für Regression“ ist hier im Web kostenlos zu lesen. Um sie interaktiv zu üben (integrierter Code-Editor und 24/7 KI-Tutor) und den Rest des Deep Learning Academy-Kurses freizuschalten, upgrade auf CoddyKit PRO. Der Deep Learning Academy-Kurs umfasst insgesamt 4 Lektionen.
Was lerne ich in „MSE und MAE für Regression“?
Abweichungen vom Ziel bestrafen. Du übst Deep Learning Academy mit praktischem Code, den du direkt im Browser ausführst, und ein 24/7 KI-Tutor beantwortet deine Fragen während du die Lektion bearbeitest.
Brauche ich Erfahrung, um Deep Learning Academy zu starten?
Keine Vorkenntnisse erforderlich. Deep Learning Academy auf CoddyKit ist für Anfänger bis fortgeschrittene Lernende strukturiert, sodass du hier starten oder von Anfang an beginnen und in deinem eigenen Tempo voranschreiten kannst. Dies ist Lektion 1 von 4.
Wie lange dauert die Lektion „MSE und MAE für Regression“?
Die meisten CoddyKit-Lektionen dauern etwa 5–10 Minuten. Jede ist kompakt und interaktiv, sodass du stetig Fortschritte machst und genau dort weitermachst, wo du aufgehört hast – im Web und in der App.
Kann ich in dieser Deep Learning Academy-Lektion Code schreiben und ausführen?
Ja. Jede Deep Learning Academy-Lektion enthält einen integrierten Code-Editor, sodass du echten Code direkt in deinem Browser schreibst und ausführst und sofort KI-Feedback erhältst — ohne lokale Einrichtung erforderlich.
Alle Lektionen in diesem Kurs
- MSE und MAE für Regression
- Binäre Cross-Entropy mit Logits
- Cross-Entropy für mehrere Klassen
- Klassengewichte für unausgeglichene Daten