L’Errore Quadratico Medio (MSE - Mean Squared Error) è la misura di qualità più utilizzata per valutare uno Stimatore Statistico. Esso tiene conto sia della dispersione dei dati (precisione) sia della loro vicinanza al valore reale (accuratezza).
Definizione
L’MSE di uno stimatore \hat{\theta} rispetto al parametro \theta è il valore atteso del quadrato dell’errore: MSE(\hat{\theta}) = E[(\hat{\theta} - \theta)^2]
Decomposizione Bias-Varianza
Una proprietà fondamentale dell’MSE è che può essere scomposto nella somma della varianza dello stimatore e del quadrato della sua distorsione: MSE(\hat{\theta}) = \text{Var}(\hat{\theta}) + [\text{Bias}(\hat{\theta})]^2
Questa scomposizione evidenzia il trade-off (compromesso) fondamentale in statistica e machine learning: spesso, per ridurre drasticamente la varianza di un modello, accettiamo di introdurre una piccola dose di distorsione, ottenendo un errore complessivo (MSE) più basso.
Significato Ingegneristico
- Ottimizzazione di Modelli: In ingegneria dei sistemi, l’MSE è la funzione obiettivo standard da minimizzare per addestrare reti neurali, filtri digitali o modelli di regressione.
- Valutazione della Qualità del Segnale: È usato per misurare la fedeltà di un segnale ricostruito rispetto all’originale dopo una compressione o una trasmissione rumorosa.
- Predizione: Nel project management, l’MSE delle stime di tempo o costo permette di valutare l’affidabilità dei metodi di previsione aziendali.
Vedi anche: Distorsione dello Stimatore, Varianza, Statistica Inferenziale.