前回の振り返り：PR曲線（Precision-Recall曲線）
前回の記事では、PR曲線（Precision-Recall曲線）について解説しました。PR曲線は、適合率（Precision）と再現率（Recall）の関係を示すグラフであり、特に不均衡なデータセットにおけるモデルの性能評価に適しています。ROC曲線とは異なり、PR曲線はモデルが正しく予測したものがどれだけ信頼できるかに焦点を当てており、詐欺検出や異常検知などのタスクに適しています。
今回は、回帰モデルにおける誤差を測定する指標の一つである平均二乗誤差（Mean Squared Error, MSE）について解説します。MSEは、回帰モデルの予測精度を評価するために広く使われる指標で、予測値と実際の値の差を二乗して平均したものです。
平均二乗誤差（MSE）とは？
平均二乗誤差（MSE）は、モデルの予測結果と実際の値との間にどれだけの誤差があるかを測る指標で、誤差を二乗して平均を取ることで計算されます。MSEは回帰モデルにおいて、予測の精度を評価するために使われ、誤差が大きくなるほどMSEの値も大きくなります。
MSEの計算式は次の通りです。
[
\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i – \hat{y}_i)^2
]
ここで、
- (y_i) は実際の値（真値）、
- (\hat{y}_i) はモデルが予測した値、
- (n) はデータポイントの数です。
MSEは、予測値と実際の値の差が大きいほど値が大きくなるため、誤差が大きい予測を重視する指標です。
例えで理解するMSE
MSEを「スポーツのシュート練習」に例えることができます。選手が何度もゴールを狙ってシュートをする際、実際にボールがゴールに入る距離（予測）とゴールから外れた距離（誤差）が記録されます。この外れた距離の二乗の平均がMSEに相当します。シュートが大きく外れるほど、MSEの値が大きくなるため、正確なシュートを続けることが重要です。
MSEの計算例
では、具体的な例を使ってMSEを計算してみましょう。
例：住宅価格予測モデル
住宅価格を予測するモデルがあるとします。実際の住宅価格が、以下のように与えられています。
- 実際の価格（真値）：\$300,000、\$400,000、\$500,000
- モデルの予測価格：\$320,000、\$390,000、\$510,000
MSEを計算するために、まずは予測値と実際の値の差を二乗していきます。
- ( (300,000 – 320,000)^2 = 400,000,000 )
- ( (400,000 – 390,000)^2 = 100,000,000 )
- ( (500,000 – 510,000)^2 = 100,000,000 )
次に、これらの差の二乗を足し合わせて平均を取ります。
[
\text{MSE} = \frac{400,000,000 + 100,000,000 + 100,000,000}{3} = 200,000,000
]
この住宅価格予測モデルのMSEは200,000,000です。これは、モデルの予測が実際の価格と大きくずれていることを示しています。
MSEが重要な場面
MSEは、誤差が大きくなるとその影響がより顕著になるため、大きな誤差を重視する場合に有効です。例えば、住宅価格や株価など、正確な予測が求められる状況では、MSEが高いモデルは実用的ではなく、誤差の少ないモデルが優れたモデルとされます。
MSEのメリットとデメリット
メリット
- 大きな誤差に敏感: 誤差が大きくなると、MSEの値も大きくなるため、モデルが大きな誤差を出した場合に警告となります。これにより、モデルの精度を厳しく評価することができます。
- 計算が簡単: MSEは計算が比較的簡単で、多くの回帰モデルの評価に用いられています。
デメリット
- 外れ値に敏感: 誤差の二乗を取るため、外れ値（極端に誤差が大きいデータポイント）があると、MSEが極端に大きくなることがあります。これにより、全体的な評価が歪むことがあります。
- 単位に依存: MSEの値は、予測するデータの単位に依存します。例えば、価格のように大きな数値を扱う場合、MSEの値も非常に大きくなるため、他の評価指標と比較しにくいことがあります。
例えで理解するMSEのデメリット
MSEのデメリットを「試験の平均点」と例えると理解しやすいです。クラスの平均点を計算するときに、1人の生徒が極端に低い点数を取ると、その1人の影響でクラス全体の平均点が下がります。同様に、MSEでは外れ値があると全体の評価が歪んでしまうことがあります。
MSEと他の評価指標の比較
MSEは、回帰モデルの評価においてよく使われますが、他にも多くの評価指標があります。次回の記事で紹介する平均絶対誤差（Mean Absolute Error, MAE）は、誤差の絶対値の平均を取る評価指標で、外れ値に対してMSEほど敏感ではありません。したがって、外れ値が少ない場合にはMSE、外れ値が多い場合にはMAEを使用することが一般的です。
例えで理解するMSEとMAEの違い
MSEとMAEの違いを「練習と本番の結果の差」と例えることができます。MSEは、本番で大きなミスをした場合に、その影響が大きく出るのに対し、MAEは大きなミスも小さなミスも同じように評価します。本番で大きなミスを避けたい場合にはMSEが有効ですが、練習全体の成績を見たい場合にはMAEが適しています。
まとめ
今回は、回帰モデルの評価指標の一つである平均二乗誤差（MSE）について解説しました。MSEは、予測値と実際の値の差を二乗して平均を取ることで計算され、大きな誤差を重視する評価指標です。外れ値に敏感であるため、適切な場面で使用することが求められます。次回は、平均絶対誤差（MAE）について解説し、MSEとMAEの違いについても詳しく説明します。
次回予告
次回は、平均絶対誤差（MAE）について解説します。MAEは、誤差の絶対値の平均を取る評価指標であり、外れ値に対してMSEほど敏感ではありません。次回もお楽しみに！
注釈
- 平均二乗誤差（MSE）: 予測値と実際の値の差を二乗して平均を取った誤差の指標。
- 真値（True Value）: 実際の値、または観測されたデータの値。
- 予測値（Predicted Value）: モデルが予測した値。
- 外れ値（Outliers）: データセットの中で、他のデータポイント
と比べて極端に異なる値。
- 平均絶対誤差（MAE）: 誤差の絶対値の平均を取る評価指標。MSEと比較して外れ値に対する影響が小さい。
コメント