AITerms 登入
模型評估統計方法

均方根誤差(RMSE)是什麼?

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

同主題的術語模型評估

完整定義

均方根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差異程度。它是將預測誤差的平方和取平均後再開平方根得到的結果,數值越小代表模型的預測精度越高。均方根誤差對較大的誤差值更敏感,因此能更好地反映模型在預測過程中出現的極端偏差。

快速摘要

搜尋意圖:如果你在找「RMSE 是什麼」、「均方根誤差怎麼算」或「RMSE 和 MSE / MAE 差在哪」,先記住:RMSE 是把誤差平方後平均再開根號,結果和原始目標值單位相同。

重點:RMSE 用來衡量預測值和真實值之間平均差多遠。它會放大大誤差,適合在你特別在意離群錯誤、又想保留原始單位時使用。

實用情境:適合用在回歸模型比較、報表上跟業務解釋「平均誤差大約差多少」,以及 iPAS 常見的 MSE / RMSE / MAE 對照題。

下一步:先分清 RMSE 與 MSE 的單位差,再去看 MAE,會更容易判斷不同評估指標各自偏好的錯誤型態。

白話說明

你在預測房價、銷售量或氣溫時,會不會想知道模型平均偏差有多大?

你可以把 RMSE 想成「預測錯多遠」的尺,而且它會對大錯誤特別敏感。

它重要是因為回歸問題常需要一個能直接看出誤差大小的指標。

記住這句

想看誤差大不大,又怕大錯誤特別刺眼,就看 RMSE。

比喻:RMSE 就像量測射擊的「平均脫靶距離」-- 它告訴我們模型預測的結果,平均來說偏離真實值多少,而且單位跟原來的數據一樣好懂。

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。

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。

演算法與應用

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。

真實值
1,200
預測值
1,150
誤差
50
誤差平方
2,500
真實值
1,500
預測值
1,560
誤差
−60
誤差平方
3,600
真實值
900
預測值
920
誤差
−20
誤差平方
400
真實值
2,000
預測值
1,850
誤差
150
誤差平方
22,500

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。

常見比較

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 1 題把均方根誤差列為延伸術語。

相關術語

本頁內容有提到,或屬於同一組主題的術語

延伸學習

來源

參考來源:en.wikipedia.org

其他格式:Markdown 版本