【均方误差怎么计算】均方误差（Mean Squared Error，简称MSE）是衡量预测值与实际值之间差异的一种常用指标，广泛应用于回归问题中。它通过计算预测值与真实值之间的平方差的平均值来评估模型的性能。MSE越小，表示模型的预测效果越好。
一、均方误差的定义
均方误差（MSE）的数学表达式为：
$$
\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
其中：
- $ y_i $ 表示第 $ i $ 个样本的真实值；
- $ \hat{y}_i $ 表示第 $ i $ 个样本的预测值；
- $ n $ 表示样本总数。
二、均方误差的计算步骤
1. 获取真实值和预测值：收集一组数据，包括每个样本的真实值 $ y_i $ 和对应的预测值 $ \hat{y}_i $。
2. 计算每个样本的误差平方：对每个样本，计算 $ (y_i - \hat{y}_i)^2 $。
3. 求所有误差平方的平均值：将所有样本的误差平方相加，再除以样本数量 $ n $。
三、均方误差的特点
| 特点 | 说明 |
| 易理解 | 公式直观，便于理解和实现 |
| 对异常值敏感 | 平方操作放大了大误差的影响 |
| 单位一致 | 与原始数据单位相同，便于解释 |
| 常用于回归模型评估 | 是线性回归、神经网络等模型常用的评价指标 |
四、均方误差与其它指标对比
| 指标 | 公式 | 说明 | ||
| 均方误差（MSE） | $ \frac{1}{n} \sum (y_i - \hat{y}_i)^2 $ | 误差平方的平均值 | ||
| 平均绝对误差（MAE） | $ \frac{1}{n} \sum | y_i - \hat{y}_i | $ | 误差绝对值的平均值 |
| R²（决定系数） | $ 1 - \frac{\sum (y_i - \hat{y}_i)^2}{\sum (y_i - \bar{y})^2} $ | 衡量模型解释能力的指标 |
五、实际应用举例
假设我们有以下真实值和预测值：
| 样本 | 真实值 $ y_i $ | 预测值 $ \hat{y}_i $ | 误差平方 $ (y_i - \hat{y}_i)^2 $ |
| 1 | 5 | 4 | 1 |
| 2 | 8 | 9 | 1 |
| 3 | 6 | 7 | 1 |
| 4 | 10 | 9 | 1 |
根据公式计算：
$$
\text{MSE} = \frac{1 + 1 + 1 + 1}{4} = 1
$$
这表明该模型的平均预测误差为1。
六、总结
均方误差是一种简单而有效的模型评估方法，尤其适用于连续型变量的预测任务。虽然它对异常值较为敏感，但在大多数情况下能够准确反映模型的预测质量。在实际应用中，建议结合其他指标如MAE或R²进行综合分析，以获得更全面的模型评估结果。