均方误差计算器

均方误差通常简称 MSE，用于衡量实际观测值与预测值之间差值平方的平均值。对每一对数据，用实际值减去预测值，将误差平方，汇总所有平方误差，再除以配对数量。结果为零表示每个预测都与观测值完全一致。数值越大通常表示预测误差越大，但其实际含义取决于目标变量的尺度。 平方运算有两个作用：正负误差不会互相抵消，且大误差比小误差获得更高权重。误差为四时贡献十六个平方单位，误差为二时仅贡献四个。因此，在较大偏差代价尤其高的场景中，MSE 很有用，但也意味着异常值可能主导得分。MSE 的单位是原目标单位的平方，可能难以直接解释。 均方根误差简称 RMSE，是 MSE 的平方根。它恢复了原始目标单位，同时保留对大误差的额外敏感性。如果预测温度以度计量，RMSE 也以度表示。数据科学工作者常用 MSE 进行优化，用 RMSE 解释结果。由于平方根函数单调，在相同观测数据上评估时，按 MSE 和 RMSE 排序的模型顺序相同。 平均绝对误差简称 MAE，是每项误差绝对值的平均值。它也使用原始单位，但对每个单位的误差赋予相同权重。比较 MAE 与 RMSE，有助于发现模型是否偶尔产生大偏差。当 RMSE 远大于 MAE 时，可能存在少数较大误差。没有一种指标适用于所有情况：应根据误差的实际代价选择，并在比较模型时保持指标一致。 本计算器要求实际值与预测值列表等长，因为每个预测必须恰好对应一个观测值。顺序很重要：第一个预测值与第一个实际值比较，第二个与第二个比较，依此类推。即使两个列表都包含有效数字，缺失或错位的记录也会导致误导性评估。解释结果前，请认真准备配对数据。 MSE 广泛用于回归、预测、信号处理和机器学习。它并非尺度无关指标，因此不能直接比较单位不同的目标所得分数。跨尺度比较时，可考虑归一化指标或百分比误差。此外，还应检查残差图并考虑领域相关后果，因为单一汇总分数无法展示偏差、变化的方差或模型表现较差的位置。