В чем разница между MSE и MAE

MSE (Mean Squared Error) и MAE (Mean Absolute Error) — метрики для оценки ошибок регрессии.

MSE — среднее квадратов ошибок:

• Чувствительна к выбросам (большие ошибки усиливаются).
• Дифференцируема, что полезно для градиентного спуска.
• Формула: MSE = (1/n) * Σ(y_true - y_pred)^2

MAE — среднее абсолютных ошибок:

• Менее чувствительна к выбросам.
• Не дифференцируема в нуле (усложняет оптимизацию).
• Формула: MAE = (1/n) * Σ|y_true - y_pred|

Пример:

from sklearn.metrics import mean_squared_error, mean_absolute_error

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

mse = mean_squared_error(y_true, y_pred)  # 0.375
mae = mean_absolute_error(y_true, y_pred)  # 0.5

Выбор зависит от задачи: MSE для гладкой оптимизации, MAE для устойчивости к выбросам.