平均二乗誤差とは？MSEの意味・計算方法・使いどころをわかりやすく解説

平均二乗誤差とは？MSEの意味・計算方法・使いどころをわかりやすく解説

平均二乗誤差（MSE）とは

平均二乗誤差（MSE）は、予測値と実測値の差を二乗し、その平均を取った値です。機械学習では、モデルが出した予測と実際の正解が完全に一致するとは限りません。そのズレを数値化し、モデルがどの程度うまく予測できているかを判断するために使われます。

平均二乗誤差の値は、基本的に小さいほど良いと考えます。値が小さい場合は、予測値が実測値に近いデータが多いということです。反対に値が大きい場合は、全体として予測のズレが大きい、または一部に大きく外れた予測が含まれている可能性があります。

例えば、気温予測モデルが「明日の気温は25度」と予測し、実際は20度だったとします。このとき誤差は5度です。平均二乗誤差では、この誤差を二乗して25とし、他の予測データでも同じ処理を行って平均します。こうすることで、モデル全体の予測の外れ具合を一つの数値で表せます。

平均二乗誤差の計算式と計算方法

\(
MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i – \hat{y}_i)^2
\)

平均二乗誤差は、次の3つの手順で計算します。まず、各データについて実測値と予測値の差を求めます。次に、その差を二乗します。最後に、すべての二乗誤差を足し合わせ、データ数で割ります。

式の中の y_i は実測値、\hat{y}_i は予測値、n はデータ数を表します。差は「実測値 – 予測値」でも「予測値 – 実測値」でも、二乗するため最終的な値は同じになります。

具体例として、3日分の気温予測を考えます。実測値が20度、22度、19度で、予測値が21度、20度、23度だったとします。誤差はそれぞれ -1、2、-4 です。これを二乗すると 1、4、16 になり、合計は21です。データ数3で割ると、MSEは7になります。

この例では、3日目の予測が大きく外れているため、二乗誤差も大きくなっています。平均二乗誤差は、このような大きなズレを強く反映する指標です。

なぜ誤差を二乗するのか

誤差を二乗する主な理由は、正負のズレを打ち消さず、大きな誤差をより重く扱うためです。予測が実測値より大きい場合はプラス方向に外れ、実測値より小さい場合はマイナス方向に外れます。差をそのまま平均すると、プラスとマイナスが相殺され、実際には外れているのに誤差が小さく見えてしまうことがあります。

二乗すれば、誤差が正でも負でも結果は正の値になります。また、誤差が2なら二乗誤差は4、誤差が10なら二乗誤差は100です。つまり、少し外れた予測よりも大きく外れた予測を強く評価します。これは、売上予測や需要予測のように、大きな外れが実務上の損失につながりやすい場面で役立ちます。

さらに、平均二乗誤差は滑らかな関数として扱いやすく、微分できます。そのため、機械学習モデルの学習でよく使われる勾配降下法と相性が良い指標です。モデルはMSEを小さくする方向へパラメータを少しずつ調整し、予測精度の改善を目指します。

平均二乗誤差の利点

平均二乗誤差の利点は、計算が単純で理解しやすいことです。必要なのは差を求める、二乗する、平均するという基本的な計算だけです。そのため、機械学習を学び始めた段階でも仕組みを追いやすく、実装もしやすい指標です。

もう一つの利点は、大きく外れた予測を見つけやすいことです。誤差を二乗するため、大きなズレが全体の値に強く反映されます。例えば、ほとんどの予測が正確でも一部だけ大きく外れている場合、MSEはその問題を見逃しにくくなります。

また、損失関数として使いやすい点も重要です。線形回帰やニューラルネットワークなどの学習では、モデルの予測誤差を表す損失を小さくするようにパラメータを調整します。MSEは微分可能で、最適化の計算に組み込みやすいため、回帰モデルの代表的な損失関数として広く使われています。

平均二乗誤差の欠点と注意点

平均二乗誤差には便利な面がある一方で、注意すべき弱点もあります。特に重要なのは、外れ値の影響を強く受けることです。誤差を二乗するため、極端に大きく外れたデータが一つあるだけで、MSE全体が大きくなります。

例えば、ほとんどの売上予測が数十円程度のズレに収まっていても、ある一日だけ大規模なセールや在庫切れの影響で大きく外れた場合、その一日がMSEを大きく押し上げます。このとき、モデル全体が悪いのか、外れ値の影響が強いだけなのかを切り分ける必要があります。

もう一つの注意点は、MSEの単位が元の値の二乗になることです。気温なら「度の二乗」、売上なら「円の二乗」のようになり、値を直感的に解釈しにくくなります。そのため、元の単位で誤差を見たい場合は、MSEの平方根を取ったRMSE（二乗平均平方根誤差）を併用すると理解しやすくなります。

また、平均二乗誤差は主に連続値を予測する回帰問題向けの指標です。画像が犬か猫かを判定するような分類問題では、正解率、適合率、再現率、F1スコア、交差エントロピーなど、目的に合った指標を検討します。

他の評価指標との違い

モデル評価では、平均二乗誤差だけを見れば十分とは限りません。データの性質や目的によって、平均絶対誤差（MAE）、二乗平均平方根誤差（RMSE）、平均絶対誤差率（MAPE）などを使い分けます。

MAEは、実測値と予測値の差の絶対値を平均した指標です。MSEと比べると、大きな外れ値の影響を受けにくい傾向があります。外れ値に過度に左右されたくない場合や、平均的にどれくらい外れているかを素直に見たい場合に便利です。

RMSEは、MSEの平方根を取った指標です。MSEと同じように大きな誤差を重視しますが、元データと同じ単位で解釈しやすいという特徴があります。例えば売上予測なら、RMSEは円単位として読めるため、現場で説明しやすくなります。

MAPEは、誤差を割合で表す指標です。100円の商品と1000円の商品の予測誤差を比較するように、値の規模が異なるデータを比べたい場合に役立ちます。ただし、実測値が0または0に近い場合は値が極端になりやすい点に注意が必要です。

平均二乗誤差が使われる場面

平均二乗誤差は、数値を予測する回帰問題でよく使われます。代表的な例は、気温予測、売上予測、商品需要予測、電力使用量の予測、不動産価格の予測などです。これらはすべて、予測結果がカテゴリではなく連続した数値になります。

実務では、MSEをモデル同士の比較に使うことがあります。例えば、売上予測モデルAとモデルBを同じ検証データで評価し、MSEが小さいモデルを候補として選ぶ、といった使い方です。ただし、MSEだけで判断せず、外れ値の有無やRMSE、MAEも合わせて見ると、より納得感のある評価になります。

学習時の損失関数としてもMSEはよく使われます。モデルは、予測値と正解値のズレをMSEで計算し、その値が小さくなるように内部のパラメータを調整します。つまり、MSEは「評価指標」であると同時に、モデルを学習させるための「目標値」としても働きます。

初心者がまず押さえるべきポイントは、平均二乗誤差が「予測のズレを測る基本指標」であり、特に大きなズレを重視するということです。そのうえで、外れ値に弱いこと、単位が直感的でないこと、分類問題には別の指標が必要なことを理解しておくと、モデル評価で迷いにくくなります。

更新履歴