均方根誤差 是什麼？

Root Mean Squared Error：均方根誤差 的完整解釋

均方根誤差是均方誤差開根號後的數值，代表模型預測值與實際值之間差值的集中程度，單位與原始資料相同

容易混淆

RMSE vs MSE

RMSE 是把均方誤差開根號 MSE 還留在平方單位 最關鍵的區別是單位有沒有回到原始尺度。

RMSE vs MAE

RMSE 更重視大誤差 MAE 對每個誤差的權重比較平均 最關鍵的區別是大錯誤會不會被放大。

記住這句就好

想看誤差大不大，又怕大錯誤特別刺眼，就看 RMSE。

實際案例

房價預測 如果模型常把高價房屋猜得差很多，RMSE 會被拉高，提醒你大誤差很嚴重。

需求預測 在庫存規劃裡，RMSE 可以幫你看到預測偏差是否已經影響補貨決策。

算法與應用

RMSE 的單位和原始目標一致，這讓它比 MSE 更容易解讀。 因為平方後再開根號，大誤差會比小誤差更影響結果。 若你在意極端錯誤，RMSE 往往比 MAE 更敏感。

公式與計算

RMSE 就是 MSE 開根號：

RMSE = √( (1/n) × Σ (y_i − ŷ_i)² )

開根號的目的只有一個，把單位轉回跟原始資料一樣。

實際算一次，四筆房價預測（單位：萬元）：

誤差平方總和 29,000，除以 4 得 MSE = 7,250，開根號得 RMSE ≈ 85.1 萬元。

這個數字可以直接講給人聽：這個模型平均而言會差 85 萬元左右。MSE 的 7,250 是「萬元的平方」，講出來沒有意義。

RMSE 的數字怎麼解讀

RMSE 一定大於或等於 MAE。 兩者差距越大，代表誤差分布越不均勻，有少數幾筆錯得特別離譜。所以實務上常同時看這兩個數字，差距本身就是資訊。

RMSE 沒有絕對的好壞標準。 85 萬元在房價預測可能很好，在便當價格預測就是災難。要判斷好壞，把它跟目標變數的標準差比，或跟一個最簡單的基準線比，例如「一律預測平均值」的 RMSE。模型的 RMSE 沒有明顯低於基準線，那它其實沒學到東西。

RMSE 對尺度敏感。 不同資料集之間不能直接比 RMSE。要跨資料集比較，改看 RMSE 除以平均值（NRMSE）或改看 R²。

情境判斷

Q1（直覺題）：如果你想知道預測值平均離真值多遠，而且特別在意大錯誤，該看哪個指標？

→ 很常看 RMSE。

Q2（判斷題）：RMSE 比較低，就一定代表模型最適合嗎？

→ 不一定。還要看業務目標，因為有些場景更在意小誤差的穩定性，可能會偏好 MAE。

常見問題

RMSE 的數值範圍是多少？

A：沒有固定上限，數值會跟你的資料尺度一起變。

RMSE 可以直接比較不同資料集嗎？

A：通常不行，因為資料尺度不同，分數不能直接比。

怎麼降低 RMSE？

A：可以改善特徵、清理異常值、換模型或重新調整損失函數。