---
id: MATH-MSE-001
category: "10_Wiki/💡 Topics/AI"
confidence_score: 1.0
tags: [statistics, machine-learning, loss-functions, mse, l2-loss, optimization]
last_reinforced: 2026-04-26
---

# Mean Squared Error (MSE, 평균 제곱 오차)

## 📌 한 줄 통찰 (The Karpathy Summary)
> "큰 실수는 제곱의 무게로 응징하여, 모델이 치명적인 오판을 피하도록 강제하라" — 실제값과 예측값 사이의 오차를 제곱하여 평균 낸 수치로, 머신러닝의 최적화 과정에서 가장 널리 쓰이는 표준 손실 함수.

## 📖 구조화된 지식 (Synthesized Content)
- **추출된 패턴:** "Quadratic Penalization" — 오차가 커질수록 손실값이 제곱으로 증가하도록 설계하여, 모델이 작은 오차들을 골고루 줄이는 것보다 큰 오차 하나를 줄이는 데 더 집중하게 만드는 최적화 유도 패턴.
- **수식:** $\frac{1}{n} \sum_{i=1}^n (y_i - \hat{y}_i)^2$
- **주요 특징:**
    - **Sensitivity to Outliers:** 이상치(Outliers)에 매우 민감함. (제곱 페널티 효과)
    - **Mathematical Convenience:** 모든 구간에서 미분이 가능하며 매끄러운 곡선을 형성하여, 경사 하강법을 통한 전역 최적해 탐색에 유리.
- **의의:** 선형 회귀부터 신경망의 수치 예측까지, '정답에 가장 가까운 평균'을 찾기 위한 모든 통계적 모델링의 심장.

## ⚠️ 모순 및 업데이트 (Contradictions & RL Update)
- **과거 데이터와의 충돌:** 오차의 단위가 제곱이 되어 실제 값의 단위와 달라지는 문제를 해결하기 위해, 루트를 씌운 RMSE(Root MSE)와 병행하여 사용되는 것이 실무적인 정석임.
- **정책 변화:** Antigravity 프로젝트는 에이전트의 모델 가중치 학습 시, 수렴의 효율성과 수학적 안정성을 위해 기본 손실 함수로 MSE 아키텍처를 채택함.

## 🔗 지식 연결 (Graph)
- [[Mean-Absolute-Error-MAE]], [[Loss-Functions-Foundations]], [[Least-Squares-Methods]], Gradient-Descent-Foundations
- **Raw Source:** 10_Wiki/Topics/AI/Mean-Squared-Error-MSE.md