MSE et MAE pour la régression
Pénaliser l’écart par rapport à la cible.
MSE et MAE pour la régression est une leçon Deep Learning Academy gratuite sur CoddyKit. Ceci est la leçon 1 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Deep Learning Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Deep Learning Academy comprend 4 leçons au total.
Certaines parties de cette leçon n'ont pas encore été traduites et s'affichent en anglais.
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. 🎯
Questions Fréquemment Posées
La leçon « MSE et MAE pour la régression » est-elle gratuite ?
Oui — le texte complet de « MSE et MAE pour la régression » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Deep Learning Academy, passe à CoddyKit PRO. Le cours Deep Learning Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « MSE et MAE pour la régression » ?
Pénaliser l’écart par rapport à la cible. Tu pratiques Deep Learning Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Deep Learning Academy ?
Aucune expérience préalable n'est requise. Deep Learning Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 1 sur 4.
Combien de temps prend la leçon « MSE et MAE pour la régression » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Deep Learning Academy ?
Oui. Chaque leçon Deep Learning Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- MSE et MAE pour la régression
- Entropie croisée binaire avec logits
- Entropie croisée pour plusieurs classes
- Poids des classes pour les données déséquilibrées