Ortalama Kare Hata Nedir?

İngilizce: Mean Squared Error

Yayın: 15 Ekim 2026 · Son güncelleme: 15 Ekim 2026

Ortalama Kare Hata Nedir? Kısaca

Ortalama kare hata (MSE), bir modelin tahminleriyle gerçek değerler arasındaki farkların karesini alıp bu karelerin ortalamasını hesaplayan hata ölçütüdür. Değer küçüldükçe tahminler gerçeğe yaklaşır; özellikle regresyon problemlerinde kayıp fonksiyonu olarak kullanılır.

Ortalama Kare Hata nedir?

İçindekiler

Ortalama kare hata nedir?
Nasıl hesaplanır?
Nelere dikkat etmeli?

Ortalama kare hata nedir?

Ortalama kare hata (İngilizce Mean Squared Error, kısaca MSE), bir modelin sayısal tahminlerinin ne kadar isabetli olduğunu ölçen temel bir ölçüttür. Her örnek için "gerçek değer eksi tahmin" farkı bulunur, bu fark karesi alınarak pozitife çevrilir ve tüm karelerin ortalaması alınır. Sonuç sıfıra ne kadar yakınsa model o kadar iyi tahmin ediyor demektir.

MSE, regresyon problemlerinde hem başarıyı raporlamak hem de modeli eğitirken en aza indirilecek kayıp fonksiyonu olarak sıkça kullanılır.

Nasıl hesaplanır?

Formül kısaca şöyledir: MSE = (1/n) × Σ (gerçek − tahmin)². Burada n örnek sayısıdır.

Varsayımsal bir örnek düşünelim: Bir model üç evin fiyatını 10, 12 ve 15 birim tahmin etsin; gerçek değerler 11, 12 ve 18 olsun. Farklar 1, 0 ve 3; kareleri 1, 0 ve 9 olur. Ortalama (1 + 0 + 9) / 3 ≈ 3,33 çıkar.

Nelere dikkat etmeli?

Büyük hatalara duyarlıdır: Kare alma işlemi büyük farkları katlayarak büyütür. Bu, büyük hataları cezalandırmak istediğinde avantaj, veride aykırı değerler varsa dezavantajdır.
Birimi değişir: Sonuç, hedef değişkenin biriminin karesiyle ifade edilir (ör. TL²). Yorumlamayı kolaylaştırmak için çoğu zaman karekökü alınarak kök ortalama kare hata kullanılır.
Tek başına yetmez: MSE'yi farklı veri setleri arasında karşılaştırmak yanıltıcı olabilir; hedef değerlerin ölçeği sonucu doğrudan etkiler.

Aykırı değerlere daha dayanıklı bir ölçüt istiyorsan ortalama mutlak hataya bakabilirsin.

Sıkça Sorulan Sorular

MSE ile RMSE arasındaki fark nedir?

RMSE, MSE'nin kareköküdür. Böylece hata yeniden hedef değişkenle aynı birime döner ve yorumlaması kolaylaşır; iki ölçüt modelleri aynı sırayla değerlendirir.

MSE sınıflandırma problemlerinde kullanılır mı?

Genellikle hayır. Sınıflandırmada olasılık tahminleri için çapraz entropi daha uygun bir kayıp fonksiyonudur; MSE daha çok sürekli sayısal değer tahmin edilen regresyon problemlerinde tercih edilir.

İlgili terimler

Kök Ortalama Kare Hata(Root Mean Squared Error)Kök ortalama kare hata (RMSE), tahmin hatalarının karelerinin ortalamasının karekökü alınarak bulunan hata ölçütüdür. Ortalama kare hatayı hedef değişkenle aynı birime döndürür; bu yüzden regresyon modellerinin başarısını raporlamada yaygın kullanılır.Ortalama Mutlak Hata(Mean Absolute Error)Ortalama mutlak hata (MAE), bir modelin tahminleriyle gerçek değerler arasındaki farkların mutlak değerlerini alıp ortalamasını hesaplayan hata ölçütüdür. Sonuç hedef değişkenle aynı birimdedir ve modelin ortalamada ne kadar saptığını doğrudan gösterir.Kayıp Fonksiyonu(Loss Function)Kayıp fonksiyonu, bir modelin tahmini ile gerçek değer arasındaki farkı tek bir sayıyla ölçen fonksiyondur; eğitimin amacı bu kayıp değerini olabildiğince küçültmektir.Regresyon(Regression)Regresyon (regression), bir veya birden fazla değişken ile sürekli bir sayısal sonuç arasındaki ilişkiyi modelleyerek ev fiyatı, satış miktarı ya da teslim süresi gibi değerleri tahmin etmeye yarayan istatistik ve makine öğrenmesi yöntemidir.Harf Çevirisi(Transliteration)Harf çevirisi (transliterasyon), bir yazı sistemindeki metnin, anlamı çevrilmeden başka bir yazı sisteminin harfleriyle yazılmasıdır. Örneğin Kiril alfabesiyle yazılmış bir ismin Latin harflerine aktarılması harf çevirisidir.Dil Tespiti(Language Detection)Dil tespiti (language detection), bir metnin ya da ses kaydının hangi dilde olduğunu otomatik olarak belirleyen doğal dil işleme görevidir. Çeviri, arama motorları ve içerik moderasyonu gibi pek çok sistemin ilk adımıdır.