складність 3/5
MSLE
MSE, обчислена на логарифмах значень: вона вимірює відношення прогнозу до істини, а не різницю, тож помилка в певну кількість разів коштує однаково на будь-якому масштабі.
Інтуїція
Деякі цілі охоплюють порядки величин. Прогнозування переглядів відео, яке може набрати 100 або 10,000,000, робить звичайну MSE майже непридатною: жменя величезних значень повністю домінує у втратах, і модель перестає зважати на все інше.
MSLE спершу бере логарифми. Оскільки віднімання логарифмів — це ділення вихідних чисел, похибка стає відношенням, а не різницею. Помилитися вдвічі коштує однаково, чи була істина 100, чи 10,000,000.
Формальне визначення
Як це працює
Де застосовується
Чому і коли
Практичний приклад
Типові помилки
Перевірте себе
3 запитання
Запитання до цієї сторінки входять у доступ. Їх перевіряє сервер, тож відповіді лишаються там, доки ви не дасте свою.
На шпаргалці: Regression metrics and losses →
Джерела
- scikit-learn — sklearn.metrics.mean_squared_log_errordocs · звірено 2026-08-30https://scikit-learn.org/stable/modules/generated/sklearn.metrics.mean_squared_log_error.html
- scikit-learn User Guide — Metrics and scoringdocs · звірено 2026-10-04https://scikit-learn.org/stable/modules/model_evaluation.html
- Deep Learning (2016)bookhttps://www.deeplearningbook.org/
- Forecasting: Principles and Practice, 3rd ed.book · звірено 2026-10-06https://otexts.com/fpp3/transformations.html