均方根误差#
术语解释#
均方根误差（Root Mean Square Error, RMSE） 是回归任务（对连续值的预测）中评估模型优劣的常用指标之一。它是均方误差（MSE）的算术平方根。
RMSE 用于衡量模型预测值与真实值之间的偏差，其数学表达式：
$$ \text{RMSE}=\sqrt{\frac{1}{n}\sum\limits_{i=1}^{n}{{{({{y}^{(i)}}-{{{\hat{y}}}^{(i)}})}^{2}}}} $$其中 $n$ 为样本数量，$y^{(i)}$ 为真实值，$\hat{y}^{(i)}$ 为预测值。
RMSE 的取值范围为 $\text{RMSE} \in [0, +\infty)$，其值越小，表示预测越准确，模型效果越好。
出现动机#
由于 MSE 计算的是误差的平方，其单位是原始目标变量单位的平方（例如房价预测中，单位会变成“万元的平方”），这在直觉上难以理解。RMSE 通过取平方根，将误差的量纲还原到与原始数据一致的尺度，使评估结果更具直观意义。相关内容可以参见「2.4.1 常见回归评估指标」。
优点缺点#
-
优点：
-
量纲一致性：由于 RMSE 的单位与原始样本标签 $y$ 的单位相同，开发者可以更直观地感知预测值偏离真实值的平均物理程度。
-
反映误差大小：与 MAE（平均绝对误差）相比，RMSE 仍然保留了对较大误差的敏感性（源于 MSE 的平方项），能够体现出模型在处理极端样本时的表现。
-
数学性质良好：它继承了 MSE 处处可导的性质，虽然带了根号，但在优化过程中依然是常用的评估标准。
-
-
缺点：
-
对异常值（Outliers）敏感：虽然取了平方根，但由于在开根号之前误差已经被平方，这意味着个别极大的噪声点产生的误差会被显著放大，从而大幅拉高整个 RMSE 的值，导致评估结果受到噪声的干扰。
-
不能完全反映模型分布：单独的 RMSE 只能给出一个总体的平均误差水平，无法体现误差的分布规律（例如是普遍存在小偏差，还是仅在少数样本上存在巨额偏差）。因此在实际评估时，通常需要配合 MAE 等其他指标共同参考。
-
相关术语#
-
MSE
-
MAE