На что опирался бы при выборе метрики между ME и MSE

ME (Mean Error) и MSE (Mean Squared Error) выбирают в зависимости от задачи.

ME – средняя ошибка, чувствительна к знаку (переоценка и недооценка компенсируют друг друга). Подходит, если важно видеть систематическое смещение модели.

MSE – средний квадрат ошибки, штрафует за большие отклонения (более чувствителен к выбросам). Используется, когда крупные ошибки критичны (например, в прогнозировании спроса).

Пример:

from sklearn.metrics import mean_absolute_error, mean_squared_error

y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

print("ME:", np.mean(y_pred - y_true))  # ME: 0.25
print("MSE:", mean_squared_error(y_true, y_pred))  # MSE: 0.375

Выбор:

• Если важны выбросы → MSE
• Если нужна простая интерпретация ошибки → ME (но лучше MAE, так как ME может маскировать ошибки)