MSE (G検定)

1. 定義と概要

MSE（Mean Squared Error、平均二乗誤差）とは、回帰モデルが導き出した予測値と、実際に観測された実測値との差である誤差を1件ごとに二乗し、その平均を取った指標です。計算の手順は、まず予測値と実測値の差を求め、その差を二乗してから全データ分を足し合わせ、最後にデータの件数で割るという流れになります。

たとえば住宅価格を予測するモデルで、実測が3,000万円、予測が2,900万円だった場合、誤差は100万円です。この誤差を二乗し、他のすべてのデータの誤差と合わせて平均した値がMSEになります。

誤差を二乗するため、正の誤差と負の誤差が打ち消し合うことはなく、MSEの値は常に0以上になります。値が小さいほど誤差が小さく、当てはまりの良いモデルと言えます。

従来、回帰モデルの誤差をそのまま平均する方法も使われていましたが、実測値より大きい予測と小さい予測の誤差が正負で打ち消し合い、実際より誤差が小さく見えてしまうという課題がありました。誤差を二乗して必ず正の値にしてから平均するMSEは、この課題を避けられる評価指標として古くから使われています。

ディープラーニングが普及した現在では、MSEはモデルの精度を測る評価指標としてだけでなく、学習を進める目印としても標準的に使われています。この目印は損失関数（モデルの予測のズレを数値化し、学習の際に小さくすることを目指す関数）と呼ばれ、モデルが持つパラメータ（モデルが学習によって調整していく内部の数値）を少しずつ調整する基準になります。

2. 試験対策ポイント

MSEを理解するうえでまず軸になるのは、計算式が誤差を二乗して平均する点にあることです。二乗する理由は主に2つあり、ひとつは正負の誤差を相殺させないこと、もうひとつは誤差が大きいデータほど二乗によって値が強く押し上げられることです。この2点はMSEの性質を理解するうえでの土台になります。

誤差を二乗する仕組みのため、他のデータから大きく外れた値である外れ値（他の大多数のデータから大きく離れた値）が含まれると、その一件の誤差が二乗によって拡大され、MSE全体を押し上げます。この外れ値への感度の高さは、誤差の絶対値をそのまま平均するMAE（平均絶対誤差。予測値と実測値の差の絶対値を平均した誤差指標で、外れ値の影響を受けにくいという性質を持ちます）との対比で理解しておきたい点です。

MSEは元データの単位を二乗した値になるため、たとえば価格（円）を予測するモデルであれば単位は円の二乗となり、直感的な解釈が難しくなります。この課題を補うのが、MSEの平方根を取って元の単位に戻したRMSE（二乗平均平方根誤差）で、MSEとRMSEは対で理解する関係にあります。

評価指標としてだけでなく、モデルを学習させる際の損失関数として使われる点も、あわせて押さえておきたい論点です。MSEは至るところでなめらかに微分可能という性質を持ちます。微分可能とは、関数がなめらかに変化し、その傾きを計算できる性質のことです。

この性質のため、損失関数の値を少しずつ小さくするようにモデルのパラメータを調整していく勾配降下法（損失関数の値を小さくする方向にパラメータを調整していく最適化の手法）との相性がよく、学習が安定して収束しやすい理由として説明されます。

3. 関連概念との比較・相違点

MSEと並べて扱われる指標を、誤差の扱い方とMSEとの違いで整理してみます。

指標	誤差の扱い方	MSEと比べたときの違い
RMSE	MSEの平方根を取る	元データと同じ単位に戻るため、誤差の大きさをそのまま解釈できる
MAE	誤差の絶対値を平均する	外れ値に頑健で、誤差が0になる点では微分できない
決定係数	当てはまりの良さを0から1で表す	単位を持たず、値が0から1の範囲に収まる

それぞれの違いを、もう少し詳しく見ていきます。

RMSEとの最大の違いは、単位の直感的な分かりやすさにあります。MSEの平方根を取ったものがRMSEで、MSEは元データの単位の二乗になるのに対し、RMSEは元データと同じ単位に戻るため、誤差の大きさをそのまま解釈できます。

MAEとの違いは、誤差の扱い方にあります。MSEは誤差を二乗するため外れ値に敏感ですが、MAEは誤差の絶対値を使うため外れ値に頑健です。また、MSEはなめらかに微分可能なのに対し、MAEは誤差が0になる点で微分できないという性質の違いもあり、損失関数としての使い分けにつながります。

決定係数（R²。回帰モデルの当てはまりの良さを0から1の数値で表す指標）との違いは、尺度そのものにあります。MSEは誤差の大きさを表す指標で、単位があり値の範囲に上限がありませんが、決定係数はモデルの説明力を0から1に正規化した指標で単位を持ちません。実務では、学習時の損失関数にはMSEを使いながら、報告や解釈の場面ではRMSEやMAE、決定係数を使い分ける場面が多くあります。

4. ビジネス・実務での活用シナリオ

不動産や金融の分野では、物件価格や与信スコア（融資の返済能力を数値で評価したもの）を予測する回帰モデルにMSEが使われます。超高額物件のような外れ値が含まれると、その一件の誤差がMSEを大きく押し上げてしまうため、外れ値の除去や上限を設ける処理とあわせてモデルを評価する必要があります。

需要予測や在庫管理の現場では、欠品や過剰在庫につながるような大きな予測外れを強く罰したい場面があります。大きな誤差ほど二乗で強く反映させるMSEを損失関数として採用すれば、極端な予測外れを避ける方向へモデルの学習を進められます。

製造業の設備保全や異常検知では、センサー値の予測誤差をMSEで学習しつつ、現場への報告時には元の単位に戻したRMSEに換算して誤差の大きさを共有する運用が見られます。学習にはMSE、人への説明にはRMSEという使い分けにより、モデルの性能を正確に伝えられます。

5. 要点まとめ

• MSEは予測値と実測値の差を二乗して平均した回帰モデルの誤差指標で、誤差を二乗するため常に0以上の値になり、値が小さいほど当てはまりの良いモデルと言えます。
• 誤差を二乗する仕組みのため外れ値の影響を強く受け、単位も元データの二乗になります。元の単位に戻したRMSE、外れ値に頑健なMAEとの使い分けが要点になります。
• 評価指標だけでなく学習時の損失関数としても使われ、なめらかに微分可能なため勾配降下法との相性がよいという理由もあわせて押さえておきたいところです。

6. 確認問題