El error cuadrático medio (MSE) es la función de pérdida que mide, en promedio, cuánto se aleja cada predicción del valor real elevando esa diferencia al cuadrado. Es la opción por defecto en problemas de regresión y el primer criterio de error que casi todo el mundo aprende. Su forma es sencilla, pero la decisión de elevar al cuadrado tiene consecuencias profundas: hace la función derivable en todos sus puntos y convierte un fallo grande en un castigo desproporcionado. La misma explicación está disponible en inglés.

Fórmula clave $\mathrm{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$

Puntos clave

  • El error cuadrático medio promedia el cuadrado de la diferencia entre cada valor real $y_i$ y su predicción $\hat{y}_i$, con la fórmula $\mathrm{MSE} = \frac{1}{n}\sum(y_i-\hat{y}_i)^2$.
  • Su derivada respecto a la predicción es proporcional al propio error, $\frac{2}{n}(\hat{y}_i-y_i)$, lo que da un gradiente limpio para el descenso de gradiente.
  • Al elevar al cuadrado, un error de 10 pesa 100 veces más que un error de 1: por eso el MSE persigue con especial dureza los fallos grandes.
  • Esa misma propiedad lo hace muy sensible a los valores atípicos, un solo dato extremo puede dominar la pérdida.
  • Es la función de referencia para regresión, mientras que la clasificación suele usar la entropía cruzada.

¿Qué es el MSE?

El MSE es una función de pérdida: un número que resume, con un único valor, lo mal que lo está haciendo un modelo sobre un conjunto de datos. Cuanto más bajo, mejor; un MSE de 0 significa que las predicciones coinciden exactamente con la realidad.

La idea es tan antigua como el método de los mínimos cuadrados que Gauss y Legendre popularizaron a comienzos del siglo XIX. Como resume el historiador de la estadística Stephen Stigler, «el método de los mínimos cuadrados es el automóvil del análisis estadístico moderno». En aprendizaje automático, ese mismo criterio reaparece como la pérdida que minimizamos al entrenar un modelo de regresión, ya sea una recta o una red neuronal con millones de parámetros.

El nombre lo describe entero: es la media (mean) del error (error) al cuadrado (squared). Se calcula sobre $n$ ejemplos, y cada uno aporta el cuadrado de su desviación individual.

Fórmula y su derivada

La definición formal es:

$$\mathrm{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2$$

donde $y_i$ es el valor real del ejemplo $i$, $\hat{y}_i$ es la predicción del modelo, y $n$ es el número de ejemplos. La diferencia $y_i-\hat{y}_i$ se llama residuo.

Lo que hace útil al MSE para el entrenamiento es su derivada. Para una sola predicción, la derivada de $(y_i-\hat{y}_i)^2$ respecto a $\hat{y}_i$ es $-2(y_i-\hat{y}_i)$. Promediando sobre los $n$ ejemplos, el gradiente queda:

$$\frac{\partial \mathrm{MSE}}{\partial \hat{y}_i} = \frac{2}{n}(\hat{y}_i-y_i)$$

Ver la derivación

Aplicamos la regla de la cadena al término $(y_i-\hat{y}_i)^2$. La derivada de la potencia deja $2(y_i-\hat{y}_i)$, y la derivada interna de $(y_i-\hat{y}_i)$ respecto a $\hat{y}_i$ vale $-1$; multiplicando queda $-2(y_i-\hat{y}_i)$. Como el MSE promedia esos términos, el factor $\frac{1}{n}$ se conserva y, reordenando el signo, se obtiene $\frac{\partial \mathrm{MSE}}{\partial \hat{y}_i} = \frac{2}{n}(\hat{y}_i-y_i)$.

El detalle importante es que el gradiente es proporcional al error: cuanto más lejos está la predicción, mayor es el empujón correctivo, y cuando la predicción acierta, el gradiente se anula. Esa continuidad es lo que encaja con el descenso de gradiente, la maquinaria que estudiamos en el mapa de las matemáticas de las redes neuronales. Por comodidad, muchas implementaciones definen la pérdida como $\frac{1}{2n}\sum(y_i-\hat{y}_i)^2$, porque así el factor 2 de la derivada se cancela y queda simplemente $\frac{1}{n}(\hat{y}_i-y_i)$.

Por qué penaliza los errores grandes

Elevar al cuadrado no es una decisión neutra. Un error de 2 unidades contribuye con 4 a la suma, pero un error de 4 unidades contribuye con 16: al doblar el error, el castigo se cuadruplica. Y un error de 10 pesa 100 veces más que un error de 1.

La consecuencia práctica es que el MSE prefiere muchos fallos pequeños antes que un solo fallo enorme. Un modelo optimizado con MSE ajustará sus pesos, sobre todo, para eliminar los errores más grandes, aunque eso empeore ligeramente los aciertos ya buenos. En muchos problemas eso es exactamente lo que queremos: un error grande suele ser más costoso que varios pequeños. La raíz del MSE, la RMSE, deshace el cuadrado y devuelve el error a las unidades originales, lo que facilita interpretarlo.

Sensibilidad a los valores atípicos

El reverso de esa virtud es un defecto conocido: el MSE es muy sensible a los valores atípicos. Como un único residuo grande se eleva al cuadrado, un dato extremo (un error de medición, una anomalía real) puede dominar la pérdida y arrastrar todo el ajuste hacia él.

Cuando esa sensibilidad estorba, la alternativa habitual es el error absoluto medio (MAE), que usa el valor absoluto en vez del cuadrado y trata todos los errores de forma proporcional. Existen también opciones intermedias, como la pérdida de Huber, que se comporta como el MSE cerca de cero y como el MAE lejos de él. La elección entre MSE y MAE depende de si los valores atípicos de tus datos son señal que quieres capturar o ruido que quieres ignorar.

Antes de elegir la pérdida, revisa tus datos: un único valor atípico puede multiplicar el MSE por decenas y arrastrar todo el ajuste hacia él, así que conviene decidir de forma consciente si ese punto extremo es señal que quieres capturar o ruido que quieres limpiar.

Ejemplo numérico

Supongamos cuatro valores reales $[10, 12, 14, 16]$ y estas predicciones $[11, 11, 15, 16]$. Los residuos son $-1, 1, -1, 0$; sus cuadrados, $1, 1, 1, 0$. La suma es 3 y, con $n = 4$, el MSE vale $3/4 = 0{,}75$. La RMSE es $\sqrt{0{,}75} \approx 0{,}87$, es decir, el modelo se equivoca de media en menos de una unidad.

Ahora introducimos un valor atípico: cambiamos la última predicción de 16 a 6, así que su residuo pasa a ser 10 y su cuadrado, 100. La nueva suma es $1+1+1+100 = 103$ y el MSE salta a $103/4 = 25{,}75$. Un solo dato ha multiplicado la pérdida por 34, de $0{,}75$ a $25{,}75$, mientras que los otros tres ejemplos siguen igual de bien predichos. Este contraste ilustra, con números, por qué el MSE persigue los fallos grandes y por qué un atípico puede desviar el entrenamiento.

Preguntas frecuentes

¿Cuál es la diferencia entre MSE y RMSE?

La RMSE es simplemente la raíz cuadrada del MSE. Ordenan los modelos igual (el que minimiza uno minimiza el otro), pero la RMSE está en las mismas unidades que la variable objetivo, así que es más fácil de interpretar: un RMSE de $0{,}87$ significa un error típico de $0{,}87$ unidades.

¿Cuándo conviene usar MSE en lugar de MAE?

Usa MSE cuando los errores grandes sean especialmente costosos y quieras que el modelo los priorice, o cuando necesites una pérdida derivable en todos sus puntos. Prefiere el MAE cuando tus datos tengan valores atípicos que consideras ruido y no quieras que dominen el ajuste.

¿Por qué no se usa el MSE en clasificación?

Porque en clasificación la salida es una probabilidad y el objetivo es una etiqueta; ahí la entropía cruzada da gradientes más útiles y una optimización más estable. El MSE se reserva para regresión, donde se predice un valor continuo.

Conclusión

El error cuadrático medio es la puerta de entrada a las funciones de pérdida: una fórmula corta con un comportamiento muy definido. Elevar al cuadrado le da una derivada suave, ideal para el descenso de gradiente, y una obsesión sana por los errores grandes, a cambio de una fuerte sensibilidad a los valores atípicos. Entender ese equilibrio es el primer paso para elegir la pérdida adecuada a cada problema. El siguiente es comparar el MSE con el MAE y la entropía cruzada dentro del mapa de las matemáticas de las redes neuronales.

Fuentes

  1. Error cuadrático medio (Wikipedia)
  2. Deep Learning (Goodfellow, Bengio y Courville)
  3. torch.nn.MSELoss (documentación de PyTorch)
  4. mean_squared_error (scikit-learn)

Ruta: Funciones de pérdida en redes neuronales