回帰モデルの「予測がどれくらい外れているか」を1つの数値にまとめる、最も基本的な指標が平均二乗誤差(MSE)です。この記事では、計算の手順と「なぜ二乗するのか」、そして二乗ゆえに外れ値の影響を受けやすいという性質までを解説します。
📖 ひと言でいうと
平均二乗誤差(MSE)とは、モデルの予測値と実測値の差(誤差)を二乗し、その平均を取って計算する回帰モデルの評価指標です。例えるなら、ダーツで的の中心からのズレを測るとき、ズレた距離をそのまま足すのではなく「距離の二乗」で採点するようなものです。少しのズレには寛容でも、大きく外した1投には厳しいペナルティが付く採点法だといえます。
🖼 1枚でわかる平均二乗誤差
📘 公式テキストの説明
平均二乗誤差（MSE：Mean Squared Error）は、モデルの予測値と実測値の差を二乗し、その平均をとることで計算される指標である。これは回帰分析や機械学習のモデル評価で広く使用されており、誤差を明確に定量化できる点で有用だ。誤差を二乗することで、正負の差異にかかわらず誤差が全て正の値として評価されるため、外れ値の影響を受けやすい。
かみ砕くと、各データについて「予測値 − 実測値」を計算し、それを二乗してから全データで平均する、というだけの指標です。二乗するおかげでプラスの外れもマイナスの外れも同じ「外れ」として正の値で数えられ、打ち消し合いが起きません。その一方で、大きな誤差は二乗によってさらに大きく膨らむため、外れ値が1つあるだけでMSE全体が跳ね上がるという性質を持ちます。
🔍 しっかり理解する
計算式と手順
データがn個あり、i番目の実測値をy_i、予測値をyhat_iとすると、MSEはプレーンテキストで次のように書けます。
MSE = (1/n) × Σ (y_i − yhat_i)^2 (Σはi=1からnまでの合計)
計算の流れはシンプルで、次の3ステップです。
なぜ二乗するのか
誤差をそのまま平均すると、+10の外れと−10の外れが打ち消し合って「平均誤差0=完璧な予測」に見えてしまいます。二乗すれば正負の差異にかかわらずすべて正の値になるため、外れの大きさが素直に積み上がります。
もう1つの理由は数学的な扱いやすさです。二乗の関数は滑らかで微分しやすいため、誤差を最小にするパラメータを勾配に基づいて探す学習(最小二乗法や、ニューラルネットワークの回帰タスクの損失関数)と相性が良く、評価指標としてだけでなく学習時の損失関数としても広く使われています。
外れ値に敏感という性質
二乗は「大きな誤差ほど過剰に重くする」操作でもあります。誤差2は二乗で4ですが、誤差10は二乗で100になり、誤差の比5倍が二乗誤差では25倍に拡大します。このため、データに測定ミスや例外的なケースといった外れ値が混じっていると、MSEはその1点に強く引っ張られます。外れ値の影響を抑えたい場合は、誤差の絶対値を平均するMAE(平均絶対値誤差)などが代わりに使われます。
また、MSEは誤差を二乗しているため、単位も元のデータの二乗(たとえば「円の二乗」)になり、値そのものの直感的な解釈がしにくい点にも注意が必要です。平方根を取って元の単位に戻したものがRMSE(二乗平均平方根誤差)です。つまり、外れ値への感度を軸に並べると「MAE(鈍感)— RMSE(中間)— MSE(敏感)」、単位の読みやすさで並べると「MAE・RMSE(元の単位)— MSE(単位が二乗)」という関係になり、目的に応じて3指標を使い分けることになります。
💡 具体例で考える
中古マンションの価格を予測するモデルを評価するとしましょう。5件の物件について、予測と実測のズレ(誤差)が +100万円、−100万円、+200万円、−200万円、+1000万円だったとします。
誤差をそのまま平均すると (100−100+200−200+1000)/5 = 200万円ですが、これでは正負の打ち消しで実態が見えません。MSEで計算すると、二乗誤差は 10000、10000、40000、40000、1000000(単位: 万円の二乗)で、平均は 220000。ここで注目すべきは、5件のうちたった1件の「+1000万円」の外れが、MSE全体の約9割(1000000/1100000)を占めていることです。残り4件の予測がそこそこ良くても、MSEはこの1件にほぼ支配されます。これが「外れ値の影響を受けやすい」の実際の姿です。逆にいえば、大外れを絶対に避けたいタスク(大きな誤差に重いペナルティを課したい場合)では、この敏感さはむしろ望ましい性質になります。
⚠️ よくある誤解・紛らわしい用語
- RMSE(二乗平均平方根誤差)との混同: RMSEはMSEの平方根を取ったもので、元のデータと同じ単位で誤差を解釈できます。「二乗して平均」まではMSE、「さらに平方根」でRMSEです。
- MAE(平均絶対値誤差)との違い: MAEは差の絶対値を平均する指標で、誤差が線形に評価されるため外れ値の影響が小さくなります。外れ値に敏感なMSEとは対照的です。
- 「値が大きいほど高性能」ではない: MSEは誤差の指標なので、小さいほど良い値です。正解率のような「大きいほど良い」指標と向きが逆である点に注意しましょう。
- 分類問題の指標ではない: MSEは回帰(数値予測)の評価指標です。分類問題の正解率・適合率・再現率などとは適用対象が異なります。
📝 試験でのポイント
- 「予測値と実測値の差を二乗し、その平均をとる」という定義の手順(二乗→平均)を正確に選べるようにしましょう。
- 「二乗により誤差がすべて正の値として評価される」「外れ値の影響を受けやすい」という2つの性質はセットで問われやすいポイントです。
- MSE・RMSE・MAEの3指標を並べ、外れ値への敏感さや単位の違いから正しい説明を選ばせる形式が想定されます。
- MSEは回帰の評価指標であるという適用場面の確認も出題されえます。
📚 まとめ
平均二乗誤差(MSE)は、予測値と実測値の差を二乗して平均する、回帰モデルの基本的な評価指標です。二乗によって正負の誤差が打ち消し合わずすべて正の値として評価される一方、大きな誤差が強調されるため外れ値の影響を受けやすい性質があります。平方根を取って単位を戻したRMSE、絶対値で線形に評価するMAEとの違いを対比しながら、「二乗→平均」という手順と「小さいほど良い」という読み方を押さえておきましょう。
