Выбор метрики для регрессии — это не финальный штрих, а часть самой постановки задачи
Именно поэтому выбор между MAE, RMSE и (R^2) — это не вопрос вкуса. Эти метрики отвечают на разные вопросы о качестве модели. Одна показывает среднюю абсолютную ошибку в понятных единицах. Другая сильнее штрафует крупные промахи. Третья говорит, какую долю вариации целевой переменной объясняет модель по сравнению с наивным базовым уровнем.
Эту тему полезнее всего связывать не с общей карьерной траекторией, а с тем, как вообще формулируется задача предсказания числа. Поэтому рядом особенно полезно держать и материал о том, в чем разница между классификацией и регрессией: без этого сама логика выбора регрессионной метрики часто повисает в воздухе.
В 2026 году это различие особенно важно, потому что регрессионные модели используются не только в учебных примерах, но и в прогнозе выручки, спроса, времени доставки, стоимости сделки, медицинских показателей и множества других задач, где цена ошибки бывает разной.
Почему одной метрики почти всегда недостаточно
Регрессия кажется простой: модель предсказывает число, а мы сравниваем его с реальным значением. Но в реальной работе ошибки бывают разного типа. Иногда нас интересует средняя понятная ошибка в исходных единицах. Иногда особенно опасны редкие, но очень крупные промахи. Иногда хочется понять, насколько модель вообще лучше наивного предсказания среднего.
Поэтому одна и та же модель может выглядеть хорошо по одной метрике и заметно слабее по другой. Это не противоречие, а отражение того, что каждая метрика смотрит на качество под своим углом. Именно в этом и заключается зрелый подход: не искать «лучшую метрику вообще», а выбрать ту, которая соответствует смыслу ошибки в конкретной задаче.
MAE: когда важна средняя ошибка в понятных единицах
(\mathrm{MAE} = \frac{1}{n}\sum_{i=1}^{n}|y_i - \hat{y}_i|)
Что означает каждый символ:
(\mathrm{MAE}) — mean absolute error, средняя абсолютная ошибка;
(n) — число объектов в выборке;
(y_i) — реальное значение целевой переменной для объекта (i);
(\hat{y}_i) — предсказание модели для того же объекта;
(|y_i - \hat{y}_i|) — абсолютная величина ошибки без учета знака.
Смысл MAE очень интуитивный: мы берем каждую ошибку, убираем знак и усредняем. Поэтому MAE легко объяснять бизнесу и команде. Если модель прогнозирует цену квартиры, то MAE можно читать как «в среднем ошибаемся на столько-то рублей». Это делает метрику особенно удобной в тех задачах, где нужна интерпретируемость и понятный масштаб ошибки.
Численный пример: пусть реальные значения равны ((10, 20, 30)), а предсказания ((12, 18, 33)). Тогда абсолютные ошибки равны ((2, 2, 3)), а (\mathrm{MAE} = \frac{2+2+3}{3} = 2.33).
RMSE: когда крупные ошибки должны наказываться сильнее
(\mathrm{RMSE} = \sqrt{\frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2})
Что означает каждый символ:
(\mathrm{RMSE}) — root mean squared error, корень из средней квадратичной ошибки;
((y_i - \hat{y}_i)^2) — квадрат ошибки для объекта (i);
(\sqrt{\cdot}) — корень, который возвращает метрику обратно в исходные единицы.
Главная особенность RMSE в том, что она усиливает влияние крупных ошибок. Если модель один раз ошиблась очень сильно, вклад этой ошибки после возведения в квадрат станет заметно больше. Поэтому RMSE полезна там, где редкие большие промахи особенно опасны. Например, в прогнозе логистических сроков, медицинских величин или финансовых оценок слишком крупная ошибка может быть гораздо хуже серии умеренных ошибок.
Численный пример: для тех же значений ((10,20,30)) и предсказаний ((12,18,33)) квадраты ошибок равны ((4,4,9)). Тогда (\mathrm{RMSE} = \sqrt{\frac{4+4+9}{3}} = \sqrt{5.67} \approx 2.38). Видно, что RMSE чуть выше MAE именно потому, что сильнее чувствительна к ошибке (3).
R²: когда нужно понять, есть ли у модели объясняющая сила
(R^2 = 1 - \frac{\sum_{i=1}^{n}(y_i - \hat{y}_i)^2}{\sum_{i=1}^{n}(y_i - \bar{y})^2})
Что означает каждый символ:
(R^2) — коэффициент детерминации;
(\bar{y}) — среднее значение целевой переменной по выборке;
Числитель (\sum_{i=1}^{n}(y_i - \hat{y}_i)^2) — сумма квадратов ошибок модели;
Знаменатель (\sum_{i=1}^{n}(y_i - \bar{y})^2) — сумма квадратов отклонений от среднего, то есть ошибка наивного предсказания средним значением.
Интуитивно (R^2) показывает, насколько модель лучше простого baseline, который всегда предсказывает среднее. Если значение близко к (1), модель объясняет значительную часть вариации цели. Если значение около (0), она почти не лучше среднего. Если значение отрицательное, модель работает даже хуже такого наивного baseline.
Численный пример: пусть реальные значения равны ((10,20,30)), а предсказания ((12,18,33)). Среднее значение цели равно (\bar{y}=20). Сумма квадратов ошибок модели равна (17), а сумма квадратов отклонений от среднего равна (200). Тогда (R^2 = 1 - \frac{17}{200} = 0.915).
Как эти метрики связаны с машинным обучением и оптимизацией
В машинном обучении выбор метрики влияет не только на итоговую оценку, но и на поведение подбора модели. Если вы ориентируетесь на RMSE, то автоматически сильнее наказываете большие промахи. Если выбираете MAE, делаете оценку более устойчивой к выбросам и концентрируетесь на средней величине ошибки. Если смотрите на (R^2), то прежде всего оцениваете относительную объясняющую силу модели.
На практике это напрямую связано и с bias-variance tradeoff: выбор метрики меняет не только итоговый рейтинг моделей, но и то, какой тип ошибок вы готовы терпеть при настройке сложности модели.
Это важно и в оптимизации. Многие модели обучаются через функции потерь, близкие к квадрату ошибки, поэтому RMSE и MSE часто естественно согласованы с процедурой обучения. Но это не означает, что именно RMSE всегда лучше как бизнесовая метрика. Иногда модель оптимизируется по одной функции, а выбирается по другой, если она точнее отражает прикладной смысл ошибки.
Когда выбирать MAE, а когда RMSE
MAE лучше там, где важна понятная средняя ошибка и нет желания слишком сильно наказывать редкие выбросы. Она хорошо подходит, когда каждая единица отклонения стоит примерно одинаково. Например, если ошибка прогноза на 5 и на 10 в прикладном смысле просто в два раза различается, MAE обычно читается естественно.
RMSE лучше там, где крупные ошибки особенно болезненны. Она быстрее растет при больших промахах, и именно поэтому часто используется в сценариях, где один очень плохой прогноз может стоить дороже серии небольших неточностей. Но вместе с этим RMSE сильнее чувствительна к выбросам, и это нужно помнить при интерпретации.
Когда полезен R², а когда его недостаточно
(R^2) удобен, когда нужно быстро понять, насколько модель вообще объясняет вариацию целевой переменной относительно простого baseline. Он особенно полезен в линейной регрессии, в учебных задачах и как общий ориентир силы модели.
Но у него есть ограничение: он не говорит напрямую, насколько велика ошибка в исходных единицах. Модель с высоким (R^2) все еще может ошибаться на величину, которая прикладно неприемлема. Поэтому для реальной практики (R^2) почти всегда лучше читать вместе с MAE или RMSE.
Именно здесь особенно важен и сам baseline: если вы не сравнили модель с разумной отправной точкой, то даже красивое значение (R^2) может создать ложное ощущение прогресса. Поэтому рядом логично держать материал про baseline-модель.
Пример на Python: как посчитать все три метрики сразу
Ниже короткий пример на Python. Он показывает, что для одной и той же модели стоит смотреть сразу на несколько способов оценки.
from sklearn.datasets import make_regression # Генерируем учебный датасет для регрессии.
from sklearn.model_selection import train_test_split # Делим данные на train и test.
from sklearn.linear_model import LinearRegression # Подключаем линейную регрессию.
from sklearn.metrics import mean_absolute_error, mean_squared_error, r2_score # Подключаем метрики качества.
import numpy as np # Подключаем NumPy для вычисления корня.
X, y = make_regression(
n_samples=500, # Создаем 500 наблюдений.
n_features=5, # Используем 5 признаков.
noise=10, # Добавляем шум, чтобы задача была реалистичнее.
random_state=42 # Фиксируем случайность.
)
X_train, X_test, y_train, y_test = train_test_split(
X, y, test_size=0.2, random_state=42 # Выделяем тестовую выборку.
)
model = LinearRegression() # Создаем модель линейной регрессии.
model.fit(X_train, y_train) # Обучаем модель на train.
y_pred = model.predict(X_test) # Получаем предсказания на test.
mae = mean_absolute_error(y_test, y_pred) # Считаем MAE.
rmse = np.sqrt(mean_squared_error(y_test, y_pred)) # Считаем RMSE через корень из MSE.
r2 = r2_score(y_test, y_pred) # Считаем R2.
print('MAE:', mae) # Выводим среднюю абсолютную ошибку.
print('RMSE:', rmse) # Выводим корень из средней квадратичной ошибки.
print('R2:', r2) # Выводим коэффициент детерминации.Этот код полезен тем, что сразу показывает: у одной модели нет одной «единственно правильной» оценки. Каждая метрика подчеркивает свою сторону качества. Именно поэтому в реальной работе зрелый специалист почти всегда смотрит минимум на две метрики одновременно.
Но при этом сами числа нужно читать только на честной схеме проверки. Поэтому рядом полезно держать и разбор того, зачем нужна кросс-валидация кроме train/test split: без неё выбор метрики может быть формально правильным, но оценка всё равно окажется нестабильной.
Какой практический вывод стоит запомнить
Если нужно быстрое и понятное число в тех же единицах, что и цель, чаще всего полезен MAE. Если особенно опасны крупные ошибки, стоит смотреть на RMSE. Если нужно понять, насколько модель вообще лучше наивного baseline, полезен (R^2). Но в реальной Data Science-практике лучший выбор обычно не «одна метрика вместо остальных», а сочетание метрик, которое отражает именно вашу стоимость ошибки.
В 2026 году хороший выбор метрики для регрессии означает одно: вы понимаете не только математику формулы, но и смысл ошибки, которую эта формула делает видимой.
Именно поэтому в прикладной регрессии так важно не путать устойчивую статистическую связь с причинным смыслом прогноза. Если модель поймала корреляцию, это ещё не значит, что бизнес может безопасно действовать на её основе, и здесь полезно отдельно помнить про разницу между корреляцией и причинностью.
