Одной из наиболее распространенных метрик, используемых для измерения точности прогноза модели, является MSE , что означает среднеквадратичную ошибку.Он рассчитывается как:
MSE = (1/n) * Σ(факт – прогноз) 2
куда:
- Σ — причудливый символ, означающий «сумма».
- n – размер выборки
- фактический – фактическое значение данных
- прогноз – прогнозируемое значение данных
Чем ниже значение MSE, тем лучше модель способна точно прогнозировать значения.
Как рассчитать MSE в Excel
Чтобы рассчитать MSE в Excel, мы можем выполнить следующие шаги:
Шаг 1: Введите фактические значения и прогнозируемые значения в два отдельных столбца.
![Как рассчитать MSE в Excel](https://www.codecamp.ru/content/images/2020/02/mse1.png)
Шаг 2: Рассчитайте квадрат ошибки для каждой строки.
Напомним, что квадрат ошибки рассчитывается как: (факт – прогноз) 2.Мы будем использовать эту формулу для расчета квадрата ошибки для каждой строки.
Столбец D отображает квадрат ошибки, а столбец E показывает формулу, которую мы использовали:
![Среднеквадратическая ошибка в Excel](https://www.codecamp.ru/content/images/2020/02/mse2.png)
Повторите эту формулу для каждой строки:
![Расчет MSE в Excel](https://www.codecamp.ru/content/images/2020/02/mse3.png)
Шаг 3: Рассчитайте среднеквадратичную ошибку.
Рассчитайте MSE, просто найдя среднее значение в столбце D:
![МСЭ в Excel](https://www.codecamp.ru/content/images/2020/02/mse4.png)
MSE этой модели оказывается равным 5,917 .
Дополнительные ресурсы
Двумя другими популярными показателями, используемыми для оценки точности модели, являются MAD — среднее абсолютное отклонение и MAPE — средняя абсолютная процентная ошибка. В следующих руководствах объясняется, как рассчитать эти показатели в Excel:
Как рассчитать среднее абсолютное отклонение (MAD) в Excel
Как рассчитать среднюю абсолютную ошибку в процентах (MAPE) в Excel