В каких случаях лучше использовать MSE

MSE (Mean Squared Error) лучше использовать, когда:

1. Большие ошибки должны сильнее наказываться – MSE квадратично увеличивает штраф за выбросы, что полезно в задачах, где крупные ошибки критичны (например, прогнозирование цен).

2. Гауссовы ошибки – если остатки модели распределены нормально, MSE оптимален (максимизирует правдоподобие).

3. Гладкость и дифференцируемость – квадратичная функция гладкая, что удобно для градиентного спуска.

Пример:

from sklearn.metrics import mean_squared_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

Когда НЕ использовать: при наличии выбросов (лучше MAE или Huber Loss) или для бинарной классификации (лучше logloss).