---
id: wiki-2026-0508-mean-squared-error-mse
title: Mean Squared Error (MSE)
category: 10_Wiki/Topics
status: verified
canonical_id: self
aliases: [MSE, L2 Loss, Squared Error, RMSE]
duplicate_of: none
source_trust_level: A
confidence_score: 0.9
verification_status: applied
tags: [ml, loss-function, regression, metric, statistics]
raw_sources: []
last_reinforced: 2026-05-10
github_commit: pending
tech_stack: { language: python, framework: sklearn-pytorch }
---

# Mean Squared Error (MSE)

## 매 한 줄
> **"매 큰 오차에 큰 벌"**. MSE = mean((y - ŷ)²). 제곱 때문에 outlier에 민감하지만 미분 가능·convex라서 회귀의 디폴트 loss.

## 매 핵심
### 매 정의
- **MSE**: $\frac{1}{n} \sum (y_i - \hat{y}_i)^2$
- **RMSE**: $\sqrt{\text{MSE}}$ — 단위가 원본과 동일.
- **MAE**: $\frac{1}{n} \sum |y_i - \hat{y}_i|$ — 비교 대상.
- 가우시안 가정 하 MLE = MSE 최소화.

### 매 특성
1. 미분 가능 (gradient = 2(ŷ - y)/n).
2. Convex → 전역 최소 보장 (linear regression).
3. Outlier에 quadratic하게 끌려간다.
4. 단위가 제곱 → 해석은 RMSE로.
5. Scale-dependent (정규화 안 하면 feature 큰 쪽 지배).

## 💻 패턴

### Pattern 1 — sklearn
```python
from sklearn.metrics import mean_squared_error
mse = mean_squared_error(y_true, y_pred)
rmse = mean_squared_error(y_true, y_pred, squared=False)  # ≥1.4: root_mean_squared_error
```

### Pattern 2 — PyTorch
```python
import torch.nn.functional as F
loss = F.mse_loss(pred, target)  # default: mean
loss_sum = F.mse_loss(pred, target, reduction='sum')
```

### Pattern 3 — NumPy (수동)
```python
import numpy as np
mse = np.mean((y - y_hat) ** 2)
rmse = np.sqrt(mse)
```

### Pattern 4 — Huber (outlier robust)
```python
loss = F.huber_loss(pred, target, delta=1.0)
# |x|<δ면 MSE, 아니면 MAE — 두 세계의 좋은 점
```

### Pattern 5 — Weighted MSE
```python
loss = (weights * (pred - target) ** 2).mean()
# 샘플 중요도가 다를 때 (e.g., 최근 데이터 가중)
```

### Pattern 6 — Log-MSE (multiplicative error)
```python
loss = F.mse_loss(torch.log1p(pred), torch.log1p(target))
# 가격/판매량처럼 비율 오차가 중요할 때
```

## 매 결정 기준
| 상황 | Loss |
|---|---|
| 일반 회귀 / outlier 적음 | **MSE** |
| Outlier 많음 / heavy tail | MAE 또는 Huber |
| 비율 오차 중요 | log-MSE / MAPE |
| Quantile 예측 | Pinball loss |
| 분류 | Cross-Entropy (MSE 쓰지 말 것) |
| 시계열 평가 보고 | RMSE (단위 일치) |

**기본값**: MSE 학습 + RMSE 보고.

## 🔗 Graph
- 부모: [[Loss-Function]], [[Regression]]
- 변형: [[RMSE]]
- 응용: [[Linear-Regression]], [[Neural-Networks]], [[Time-Series-Analysis|Time-Series-Forecasting]]
- Adjacent: [[MAE]], [[Cross-Entropy]]

## 🤖 LLM 활용
**언제**:
- Loss 선택 디버깅 (outlier 영향 분석).
- 회귀 모델 평가 보고서 초안.
- MSE/MAE/Huber tradeoff 설명.

**언제 X**:
- 도메인 특화 loss 설계 (custom utility 필요).
- 분류 문제에 손실 추천.

## ❌ 안티패턴
- 분류에 MSE (sigmoid+MSE는 vanishing gradient).
- Outlier 많은 데이터에 MSE 그대로.
- Feature scaling 없이 MSE 비교.
- RMSE 대신 MSE를 사용자에게 보고 (단위 혼란).
- target의 분포가 long-tail인데 raw MSE 사용.

## 🧪 검증 / 중복
- Verified. 신뢰도 A.

## 🕓 Changelog
| 날짜 | 변경 |
|---|---|
| 2026-05-08 | Phase 1 |
| 2026-05-10 | Manual cleanup |