MSE и MAE для регрессии
Штрафуйте отклонение от целевого значения
«MSE и MAE для регрессии» — бесплатный урок Deep Learning Academy на CoddyKit. Это урок 1 из 4. Ты можешь прочитать весь урок бесплатно ниже — а потом практиковать его прямо в браузере с встроенным редактором кода и ИИ-репетитором 24/7. Это часть пути обучения Deep Learning Academy, и твой прогресс синхронизируется между веб-версией и приложением CoddyKit. Курс Deep Learning Academy содержит 4 уроков всего.
Части этого урока еще не переведены и отображаются на английском.
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. 🎯
Часто задаваемые вопросы
Урок «MSE и MAE для регрессии» бесплатный?
Да — полный текст урока «MSE и MAE для регрессии» бесплатно доступен здесь в веб-версии. Чтобы практиковать его интерактивно (встроенный редактор кода и ИИ-репетитор 24/7) и разблокировать остальной курс Deep Learning Academy, подпишись на CoddyKit PRO. Курс Deep Learning Academy содержит 4 уроков всего.
Чему я научусь в уроке «MSE и MAE для регрессии»?
Штрафуйте отклонение от целевого значения Ты практикуешь Deep Learning Academy с помощью реального кода, который запускаешь прямо в браузере, и ИИ-репетитор 24/7 отвечает на твои вопросы во время урока.
Нужен ли мне опыт, чтобы начать Deep Learning Academy?
Предыдущий опыт не требуется. Deep Learning Academy на CoddyKit структурирован для всех уровней — от новичков до продвинутых, поэтому ты можешь начать отсюда или с самого начала и учиться в своем темпе. Это урок 1 из 4.
Сколько времени занимает урок «MSE и MAE для регрессии»?
Большинство уроков CoddyKit занимают около 5–10 минут. Каждый из них компактный и интерактивный, поэтому ты постоянно делаешь прогресс и продолжаешь с того же места в веб-версии и приложении.
Можно ли писать и запускать код в этом уроке Deep Learning Academy?
Да. Каждый урок Deep Learning Academy включает встроенный редактор кода, поэтому ты пишешь и запускаешь реальный код прямо в браузере и получаешь моментальную обратную связь от AI — локальная установка не требуется.
Все уроки этого курса
- MSE и MAE для регрессии
- Бинарная кросс-энтропия с логитами
- Кросс-энтропия для нескольких классов
- Веса классов для несбалансированных данных