MSE e MAE para Regressão
Penalize a distância em relação ao alvo
MSE e MAE para Regressão é uma aula grátis de Deep Learning Academy no CoddyKit. Esta é a aula 1 de 4. Você pode ler a aula completa abaixo gratuitamente — depois pratica ao vivo no navegador com um editor de código integrado e um tutor de IA 24/7. Faz parte do caminho de aprendizado de Deep Learning Academy, e seu progresso é sincronizado entre a web e o app CoddyKit. O curso de Deep Learning Academy inclui 4 aulas no total.
A Regressão Precisa da Própria Perda
Quando seu modelo prevê um número, como um preço ou uma temperatura, você precisa de uma perda de regressão que meça o quanto cada estimativa se afasta do valor verdadeiro. 📏
Conheça o Erro Quadrático Médio
MSE eleva ao quadrado cada erro de previsão e depois calcula a média. Elevar ao quadrado mantém todos os erros positivos e penaliza erros grandes muito mais do que erros pequenos.
MSE em Uma Linha
PyTorch oferece nn.MSELoss, portanto você nunca precisa escrever a fórmula manualmente. Você fornece as previsões e os alvos e recebe de volta um único escalar.
import torch.nn as nn
loss_fn = nn.MSELoss()
loss = loss_fn(pred, target)Por Que Elevar ao Quadrado Importa
Como MSE eleva os erros ao quadrado, um erro de 4 conta 16 vezes mais que um erro de 1. Isso torna MSE muito sensível a erros grandes e valores discrepantes.
Conheça o Erro Absoluto Médio
MAE calcula a média do tamanho absoluto de cada erro em vez de elevá-lo ao quadrado. Cada erro conta proporcionalmente ao seu tamanho real.
MAE no PyTorch
Use nn.L1Loss para MAE. O nome vem da norma L1, que simplesmente soma as diferenças absolutas antes de calcular a média.
import torch.nn as nn
loss_fn = nn.L1Loss()
loss = loss_fn(pred, target)MAE Não Se Abala com Valores Discrepantes
Como MAE nunca eleva nada ao quadrado, um valor discrepante extremo não faz a perda explodir. Isso a torna a opção mais estável e robusta para dados confusos.
MSE vs MAE: A Escolha
Escolha MSE quando erros grandes forem realmente piores e seus dados forem limpos. Escolha MAE quando os valores discrepantes forem ruído que você não queira perseguir.
O Que o Número Significa
Uma perda de regressão está nas unidades do seu alvo (elevadas ao quadrado no caso de MSE). Um valor menor é melhor, mas compare-o entre modelos, em vez de tratá-lo como uma pontuação absoluta.
Huber: O Melhor dos Dois
Você quer robustez e gradientes suaves? A perda de Huber comporta-se como MSE para erros pequenos e como MAE para erros grandes, combinando os dois comportamentos.
import torch.nn as nn
loss_fn = nn.SmoothL1Loss()
loss = loss_fn(pred, target)Combine a Perda ao Formato da Saída
Na regressão, sua camada final gera números brutos sem ativação. A perda compara esses valores diretamente com os alvos.
Verificação Rápida
Um valor discrepante está dominando seu treinamento. Qual perda é mais robusta a ele?
Recapitulação: Distância Medida
Agora você interpreta o erro de regressão de duas formas: MSE penaliza erros grandes elevando-os ao quadrado, enquanto MAE permanece estável diante de valores discrepantes. Combine a perda aos seus dados e estará tudo pronto. 🎯
Aprenda Python com um tutor de IA — grátis
Escreva e execute código real no seu navegador, obtenha ajuda instantânea de um tutor de IA 24/7 e continue de onde parou na web ou no app.
- Cursos
- 30
- Aulas
- 120
Perguntas Frequentes
A aula “MSE e MAE para Regressão” é grátis?
Sim — o texto completo de “MSE e MAE para Regressão” é grátis para ler aqui na web. Para praticá-la interativamente (um editor de código integrado e um tutor de IA 24/7) e desbloquear o restante do curso de Deep Learning Academy, atualize para CoddyKit PRO. O curso de Deep Learning Academy inclui 4 aulas no total.
O que vou aprender em “MSE e MAE para Regressão”?
Penalize a distância em relação ao alvo Você pratica Deep Learning Academy com código prático que executa diretamente no navegador, e um tutor de IA 24/7 responde suas dúvidas enquanto trabalha na aula.
Preciso ter experiência prévia para começar Deep Learning Academy?
Nenhuma experiência prévia é necessária. Deep Learning Academy no CoddyKit é estruturado para alunos iniciantes até avançados, então você pode começar aqui ou desde o início e aprender no seu ritmo. Esta é a aula 1 de 4.
Quanto tempo leva a aula “MSE e MAE para Regressão”?
A maioria das aulas CoddyKit leva cerca de 5–10 minutos. Cada uma é compacta e interativa, então você faz progresso constante e retoma exatamente de onde parou entre web e app.
Posso escrever e executar código nesta aula de Deep Learning Academy?
Sim. Cada aula de Deep Learning Academy inclui um editor de código integrado, então você escreve e executa código real direto no navegador e recebe feedback de IA instantaneamente — nenhuma configuração local necessária.
Todas as aulas deste curso
- MSE e MAE para Regressão
- Entropia Cruzada Binária com Logits
- Entropia Cruzada para Múltiplas Classes
- Pesos de Classe para Dados Desbalanceados