AITerms 登入
模型評估統計方法MSE

均方誤差(Mean Squared Error)是什麼?

均方誤差是一種常用的迴歸模型評估指標,它計算預測值與真實值之間差異的平方平均值,能有效衡量模型預測的準確性,並對較大的誤差給予更高的懲罰。

同主題的術語模型評估

完整定義

均方誤差是一種常用的模型評估指標,用於衡量預測值與實際值之間的平均差異程度。它是將預測誤差的平方和取平均得到的結果,數值越小代表模型的預測精度越高。均方誤差易於計算且具有良好的數學性質,在迴歸問題中被廣泛應用於評估模型的性能。

白話說明

你有沒有發現,有些模型只錯一點點沒事,但一旦錯很大就整個失真?

你可以把均方誤差想成,先把每次預測的差距平方,再算平均,所以大錯會被放大。

它重要在於,很多回歸模型都拿它當訓練目標,因為它很適合逼模型不要犯大錯。

記住這句

錯越大,扣分越重,因為它把誤差平方了。

比喻:MSE 就像一個嚴格的教官 -- 他對每個錯誤都會懲罰,但對於「大錯特錯」的行為,他會加倍處罰,因為他把錯誤平方了,所以犯大錯的代價會比犯小錯高很多。

容易混淆

均方誤差 vs 平均絕對誤差

均方誤差:平方後平均,大誤差會被加重。

平均絕對誤差:直接平均絕對值,對離群值比較溫和。

最關鍵的區別:MSE 會更在乎大錯。

均方誤差 vs 均方根誤差

均方誤差:單位是平方後的結果。

均方根誤差:把 MSE 開根號,回到原始尺度。

最關鍵的區別:RMSE 比 MSE 更容易直接理解。

實際案例

溫度預測

如果模型把氣溫預測錯 1 度和錯 5 度一起算,MSE 會明顯懲罰那個錯 5 度的預測,讓模型更怕大偏差。

需求預測

補貨系統最怕一兩天預測差太多,MSE 會逼模型把那些尖峰需求也顧到,避免一次估錯就大缺貨。

演算法與應用

MSE 常和高斯噪聲假設一起出現,因為平方誤差在數學上很好處理。

它對離群值敏感,所以如果資料裡有極端點,訓練會被拉得比較重。

訓練深度回歸模型時,MSE 幾乎是最常見的起點。

公式與計算

MSE 是預測值與真實值差距的平方平均:

MSE = (1/n) × Σ (y_i − ŷ_i)²

y 是真實值,ŷ 是預測值,n 是樣本數。先取差、再平方、再平均。

實際算一次,四筆預測:

誤差平方總和是 42,除以 4 筆,MSE = 10.5。

注意最後一筆:誤差 5 貢獻了 25,佔總和的六成。平方讓大誤差的權重被放大,這是 MSE 最重要的性質。

真實值 y
10
預測值 ŷ
12
誤差
−2
誤差平方
4
真實值 y
20
預測值 ŷ
18
誤差
2
誤差平方
4
真實值 y
30
預測值 ŷ
33
誤差
−3
誤差平方
9
真實值 y
40
預測值 ŷ
35
誤差
5
誤差平方
25

MSE、RMSE、MAE 差在哪,怎麼選

選擇的判斷很直接。

你最怕偶爾錯得很離譜,例如預測交貨時間、醫療劑量,選 MSE 或 RMSE,讓模型優先把大錯壓下來。

資料裡本來就有離群值,而且你不想被它們牽著走,選 MAE,它對離群值穩健得多。

要跟別人解釋數字,選 RMSE,因為它的單位跟原始資料一樣。房價預測的 MSE 是「萬元的平方」,沒人聽得懂;RMSE 是「平均差幾萬元」,一句話就講完。

另外 MSE 在數學上處處可微而且是凸函數,這是它長年當回歸預設損失函數的原因,不只是因為好解釋。

指標
MSE
算法
誤差平方的平均
單位
原單位的平方
對大誤差
懲罰最重
指標
RMSE
算法
MSE 開根號
單位
與原始資料相同
對大誤差
懲罰重
指標
MAE
算法
誤差絕對值的平均
單位
與原始資料相同
對大誤差
一視同仁

情境判斷

Q1(情境題): 如果你的資料常有幾筆超大錯誤,MSE 合適嗎?

要小心。MSE 會把大錯放得很大,可能讓模型過度追那些極端值,這時 MAE 或 Huber loss 可能更穩。

Q2(情境題): 如果你就是想讓模型更怕大失誤,該選哪個指標?

MSE 很適合,因為平方懲罰會讓大誤差明顯變重。

常見問題

出現在這些考古題

官方公告試題的逐題解析裡,這 4 題把均方誤差列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本