MSE e MAE per la regressione
Penalizzi la distanza dal valore obiettivo
MSE e MAE per la regressione è una lezione Deep Learning Academy gratuita su CoddyKit. Questa è la lezione 1 di 4. Puoi leggere la lezione completa qui gratuitamente — poi esercitati direttamente nel browser con un editor di codice integrato e un tutor IA disponibile 24/7. Fa parte del percorso di apprendimento Deep Learning Academy, e i tuoi progressi si sincronizzano tra il web e l'app CoddyKit. Il corso Deep Learning Academy include 4 lezioni in totale.
La regressione ha bisogno della propria loss
Quando il modello predice un numero, come un prezzo o una temperatura, serve una regression loss che misuri quanto ogni predizione si discosta dal valore reale. 📏
Ecco il Mean Squared Error
MSE eleva al quadrato ogni errore di predizione e poi ne calcola la media. Il quadrato rende tutti gli errori positivi e penalizza gli errori grandi molto più di quelli piccoli.
MSE in una riga
PyTorch offre nn.MSELoss, quindi non deve scrivere la formula a mano. Passa predizioni e target e ottiene in risposta un singolo scalare.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Perché elevare al quadrato conta
Poiché MSE eleva gli errori al quadrato, un errore di 4 pesa 16 volte più di un errore di 1. Questo rende MSE molto sensibile agli errori grandi e agli outlier.
Ecco il Mean Absolute Error
MAE calcola la media del valore assoluto di ogni errore invece di elevarlo al quadrato. Ogni errore pesa in proporzione alla sua effettiva entità.
MAE in PyTorch
Usi nn.L1Loss per ottenere la MAE. Il nome deriva dalla norma L1, che somma semplicemente le differenze assolute prima di calcolarne la media.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE non si lascia influenzare dagli outlier
Poiché MAE non eleva mai nulla al quadrato, un singolo outlier estremo non fa esplodere la loss. Per dati disordinati, è quindi una scelta più stabile e robusta.
MSE vs MAE: il compromesso
Scelga MSE quando gli errori grandi sono davvero peggiori e i dati sono puliti. Scelga MAE quando gli outlier sono rumore che non desidera inseguire.
Cosa significa il numero
Una loss di regressione è espressa nelle unità del target (al quadrato nel caso di MSE). Un valore più basso è migliore, ma lo confronti tra i modelli, non lo consideri un punteggio assoluto.
Huber: il meglio di entrambi
Desidera robustezza e gradienti uniformi? La Huber loss si comporta come MSE per gli errori piccoli e come MAE per quelli grandi, combinando entrambi i comportamenti.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Abbini la loss alla forma dell'output
Nella regressione, il livello finale restituisce numeri grezzi con nessuna funzione di attivazione. La loss confronta direttamente questi valori con i target.
Verifica rapida
Un outlier sta dominando il training. Quale loss è più robusta nei suoi confronti?
Riepilogo: misurare la distanza
Ora sa leggere l'errore di regressione in due modi: MSE penalizza maggiormente gli errori grandi elevandoli al quadrato, mentre MAE rimane stabile in presenza di outlier. Abbini la loss ai dati e sarà pronto. 🎯
Domande Frequenti
La lezione «MSE e MAE per la regressione» è gratuita?
Sì — il testo completo di «MSE e MAE per la regressione» è gratuito qui sul web. Per esercitarvi in modo interattivo (un editor di codice integrato e un tutor IA 24/7) e sbloccare il resto del corso Deep Learning Academy, passa a CoddyKit PRO. Il corso Deep Learning Academy include 4 lezioni in totale.
Cosa imparerò in «MSE e MAE per la regressione»?
Penalizzi la distanza dal valore obiettivo Eserciti Deep Learning Academy con codice pratico che esegui direttamente nel browser, e un tutor IA 24/7 risponde alle tue domande mentre lavori sulla lezione.
Ho bisogno di esperienza per iniziare Deep Learning Academy?
Non è richiesta alcuna esperienza precedente. Deep Learning Academy su CoddyKit è strutturato per principianti e studenti avanzati, quindi puoi iniziare da qui o dall'inizio e procedere al tuo ritmo. Questa è la lezione 1 di 4.
Quanto tempo richiede la lezione «MSE e MAE per la regressione»?
La maggior parte delle lezioni CoddyKit richiede circa 5–10 minuti. Ogni lezione è breve e interattiva, quindi fai progressi costanti e riprendi esattamente da dove hai lasciato su web e app.
Posso scrivere ed eseguire codice in questa lezione Deep Learning Academy?
Sì. Ogni lezione Deep Learning Academy include un editor di codice integrato, quindi scrivi ed esegui codice reale direttamente nel tuo browser e ricevi feedback istantaneo dall'IA — nessuna configurazione locale necessaria.
Tutte le lezioni di questo corso
- MSE e MAE per la regressione
- Binary cross-entropy con logits
- Cross-entropy per più classi
- Pesi delle classi per dati sbilanciati