> For the complete documentation index, see [llms.txt](https://bemind.gitbook.io/neural/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://bemind.gitbook.io/neural/instrumenty-ocenki/instrumenty-ocenki-modeli-lineinoi-regressii/1.-srednyaya-kvadraticheskaya-oshibka.md).

# 1. Средняя квадратическая ошибка

Первым инструментом, который мы рассмотрим, будет **средняя квадратическая ошибка (Mean Squared Error, MSE)**. MSE представляет собой среднее значение квадратов отклонений фактических значений от прогнозируемых значений модели.

Диапазон значений MSE теоретически может быть от 0 до бесконечности. Чем меньше значение MSE, тем лучше модель, поскольку это означает, что прогнозы модели более близки к фактическим значениям.

Пример вызова и получения MSE на Python может выглядеть так:

```python
from sklearn.metrics import mean_squared_error

# Предположим, что y_true - это фактические значения, а y_pred - прогнозируемые значения модели
y_true = [3, -0.5, 2, 7]
y_pred = [2.5, 0.0, 2, 8]

# Вычисляем MSE
mse = mean_squared_error(y_true, y_pred)

print("Mean Squared Error (MSE):", mse)

# Mean Squared Error (MSE): 0.375
```

Этот код выведет значение MSE для приведенных фактических и прогнозируемых значений.