RMSE (G検定)

1. 定義と概要

RMSE（Root Mean Squared Error、二乗平均平方根誤差）とは、予測値（モデルが計算して出した値）と実測値（実際に観測された値）の差である誤差を二乗して平均した指標であるMSEの平方根をとった回帰の評価指標です。計算の手順は、まず個々の誤差を二乗してから平均し、その平均値の平方根（二乗すると元の数になる数を求める計算）を求めるという流れになります。二乗平均平方根誤差という日本語名称は、この「二乗して平均し平方根をとる」という計算の流れをそのまま表した呼び方です。

二乗して平均する過程で誤差の単位が元データの二乗になってしまうMSEに対し、最後に平方根をとることで誤差の単位が元のデータと同じ単位に戻る点が、RMSEの最大の特徴です。たとえば気温を予測するモデルの誤差がRMSEで2度であれば、平均して2度前後のずれがあると、そのまま解釈できます。

回帰モデル（数値を予測するモデル）の誤差は、従来MSEで評価されることが多く、学習時にパラメータ（モデル内部の調整値）を調整するための損失関数（モデルの予測のズレの大きさを数値化してパラメータ調整に使う関数）としても広く使われてきました。しかしMSEは誤差を二乗するため単位も二乗になり、人がその大きさを直感的に把握しにくいという課題があります。

この課題に対し、平方根をとって単位を元のデータに戻したRMSEが、モデルの精度を人に説明したり報告したりする場面で使われる評価指標として定着してきました。RMSEは学習そのものに使われるというより、学習を終えたモデルの性能を評価し、関係者に伝える段階で選ばれることが多い指標です。

2. 試験対策ポイント

まず整理したいのは、RMSEがMSEの平方根であるという関係です。RMSE＝√MSEという式と、二乗平均平方根誤差という日本語名称、「Root Mean Squared Error」という英語名称の対応が、理解の起点になります。

単位に関する点も、あわせて整理しておきたいところです。MSEは誤差を二乗するため単位も二乗、たとえば円の誤差であれば円の二乗になり直感的な解釈が難しいのに対し、RMSEは平方根をとることで誤差の単位が元のデータと同じ単位に戻り、実測値の大きさと直接比較しやすくなります。この単位が戻るという性質が、RMSEを使う意義の中心にあたります。

外れ値（他の大部分のデータから大きく外れた値）への感度も、あわせて理解しておきたい点です。RMSEは計算の過程に二乗の演算を含むため、MSEと同様に外れ値の影響を受けやすい性質があります。

一方、MAE（平均絶対誤差。予測値と実測値の誤差の絶対値を平均した指標）は絶対値をとるため、外れ値の影響を受けにくいという対比があります。大きな誤差をとくに避けたい場面ではRMSE、外れ値に左右されずデータ全体をバランス良く評価したい場面ではMAEが選ばれるという判断軸にもつながります。

3. 関連概念との比較・相違点

MSEとの最大の違いは、単位の扱いです。MSEは誤差の二乗の平均であるため単位が元データの二乗になるのに対し、RMSEはMSEの平方根をとることで単位を元のデータに戻します。

RMSEはMSEの単調増加関数という関係にあり、同じデータセットで複数のモデルを比較したとき、MSEが小さいモデルはRMSEも小さくなるため、優劣の順位はMSEとRMSEで変わりません。この関係があるため、モデル選びの結論だけを急ぐ場面ではMSEのままでも支障はなく、結果を人に説明する場面でRMSEに変換するという使い分けもできます。

MAEとの最大の違いは、外れ値への感度です。RMSEは二乗の演算を経るため外れ値の影響を受けやすいのに対し、MAEは誤差の絶対値をとるため外れ値の影響を受けにくい性質があります。

3つの指標の対応関係を、計算の中身と外れ値への感度の面から整理すると次のようになります。

指標	計算の中身	外れ値への感度	向いている場面
RMSE	MSEの平方根をとる	二乗の演算を経るため受けやすい	大きな誤差を強く反映させたい場面、誤差を元の単位で人に説明する場面
MSE	誤差を二乗して平均する	二乗の演算を経るため受けやすい	モデル選びの結論だけを急ぐ場面
MAE	誤差の絶対値を平均する	絶対値をとるため受けにくい	外れ値に左右されずデータ全体を平等に評価したい場面

どちらを選ぶかは、外れ値を重大な問題として扱いたいか、外れ値をならして全体の傾向を見たいかという評価の目的によって決まります。指標そのものに優劣があるわけではなく、評価したい内容に合う指標を選ぶという考え方になります。

4. ビジネス・実務での活用シナリオ

不動産テックの分野では、物件価格を予測するモデルの精度をRMSEで評価します。予測が実際の価格から平均してどの程度、たとえば数十万円程度ずれるかを金額そのものの単位で経営会議に説明できる点が、RMSEを使う意義です。単位が円のまま示されるため、AIに詳しくない経営層にも誤差の大きさが直感的に伝わります。

小売・需要予測の分野では、来店客数や売上を予測するモデルの精度をRMSEで評価します。欠品や過剰在庫につながりかねない大きな予測のズレを強く反映させたうえで、在庫計画の判断材料にします。急な需要変動という外れ値的な事象を見逃したくない場面で、RMSEの性質が活きます。

製造業・設備保全の分野では、センサーの稼働データから機器の劣化を予測するモデルの誤差をRMSEで把握します。稼働時間や温度など元の単位のまま精度を検証したうえで、保全計画に反映します。誤差の大きさを実際の単位で把握できるため、保全担当者と現場の間でも数値の意味が共有しやすくなります。

5. 要点まとめ

• RMSEは、予測値と実測値の誤差を二乗して平均したMSEの平方根をとった回帰の評価指標で、単位が元のデータと同じに戻るため誤差の大きさを直感的に解釈できます。
• RMSEはMSEと同様に二乗の演算を経るため外れ値の影響を受けやすく、絶対値をとるMAEは外れ値の影響を受けにくいという対比があります。
• 大きな誤差をとくに避けたい場面ではRMSE、外れ値に左右されずバランス良く評価したい場面ではMAEが選ばれるという使い分けになります。

6. 確認問題