机器学习入门文档深度页

MSE 与 RMSE

MSE 平均平方误差并强调大错误，RMSE 开方后恢复目标原单位。

学习前需要掌握

均值内容待补充平方根内容待补充

背景与问题

平方使少数大错误可能主导指标。MSE 单位是目标单位平方，RMSE 更便于业务解释。

概念定义

MSE 是预测误差平方的平均；RMSE 是其平方根。二者越小越好，但必须结合目标尺度和基线解释。

直观理解

MSE 像把大错误放大后平均，RMSE 再把结果拉回原来的量纲。

核心原理

只在相同数据、目标单位和评价协议下比较；异常值多时同时查看 MAE。

数学表达

核心表达

MSE = \frac{1}{n} i \sum (y_{i} - y^_{i})^{2}, RMSE = MSE

只在相同数据、目标单位和评价协议下比较；异常值多时同时查看 MAE。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1计算每条误差
2平方
3求平均
4需要时开方

代码对应位置

示例 1MSE 与 RMSE：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
计算每条误差
2
平方
3
求平均
4
需要时开方
5
与基线和 CV 比较

代码实现

示例 1

MSE 与 RMSE：最小可验证示例

MSE 与 RMSE：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2y = np.array([3.,5.,8.])
3p = np.array([2.,5.,10.])
4mse = np.mean((y-p)**2)
5print(mse, np.sqrt(mse))

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

y: 目标标签或连续目标值。
mean: 训练特征逐列均值。

Step 1 · 1–5 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
y = np.array([3.,5.,8.])
p = np.array([2.,5.,10.])
mse = np.mean((y-p)**2)
print(mse, np.sqrt(mse))

代码与数学原理

z = \frac{x - μ}{σ}

减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。

J = \frac{1}{n} \sum_{i} (y_{i} - y^_{i})^{2}

平方误差代码对应均方损失。

预期输出或运行结果

MSE≈1.667，RMSE≈1.291。

常见错误 · 3 条

不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
跨任务直接比较 MSE
忽略大异常误差影响

实际应用

回归损失
模型评价

常见错误

跨任务直接比较 MSE

忽略大异常误差影响

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§7.1 均方误差

MSE 与 RMSE

MSE 平均平方误差并强调大错误，RMSE 开方后恢复目标原单位。

学习前需要掌握

均值内容待补充平方根内容待补充

背景与问题

平方使少数大错误可能主导指标。MSE 单位是目标单位平方，RMSE 更便于业务解释。

概念定义

MSE 是预测误差平方的平均；RMSE 是其平方根。二者越小越好，但必须结合目标尺度和基线解释。

直观理解

MSE 像把大错误放大后平均，RMSE 再把结果拉回原来的量纲。

核心原理

只在相同数据、目标单位和评价协议下比较；异常值多时同时查看 MAE。

数学表达

核心表达

MSE = \frac{1}{n} i \sum (y_{i} - y^_{i})^{2}, RMSE = MSE

只在相同数据、目标单位和评价协议下比较；异常值多时同时查看 MAE。

变量含义

变量定义与本页概念定义一致，代码中的同名变量保持相同语义。

计算步骤

1计算每条误差
2平方
3求平均
4需要时开方

代码对应位置

示例 1MSE 与 RMSE：最小可验证示例：把正文原理映射为可检查的代码行为。

计算与实现步骤

1
计算每条误差
2
平方
3
求平均
4
需要时开方
5
与基线和 CV 比较

代码实现

示例 1

MSE 与 RMSE：最小可验证示例

MSE 与 RMSE：最小可验证示例

NumPyexample_01.py

用途：把正文原理映射为可检查的代码行为。

1import numpy as np
2y = np.array([3.,5.,8.])
3p = np.array([2.,5.,10.])
4mse = np.mean((y-p)**2)
5print(mse, np.sqrt(mse))

代码解析

解析始终位于完整代码下方，并按实际代码段逐项对应。

输入数据与任务

把正文原理映射为可检查的代码行为。

y: 目标标签或连续目标值。
mean: 训练特征逐列均值。

Step 1 · 1–5 行

导入当前步骤需要的数值计算、预处理、模型或评价工具。依赖集中写在代码开头，便于复现。

import numpy as np
y = np.array([3.,5.,8.])
p = np.array([2.,5.,10.])
mse = np.mean((y-p)**2)
print(mse, np.sqrt(mse))

代码与数学原理

z = \frac{x - μ}{σ}

减去训练均值并除以训练标准差，对应代码中的 mean/std 或 StandardScaler。

J = \frac{1}{n} \sum_{i} (y_{i} - y^_{i})^{2}

平方误差代码对应均方损失。

预期输出或运行结果

MSE≈1.667，RMSE≈1.291。

常见错误 · 3 条

不要在测试集上调用 fit 或 fit_transform；测试集只能复用训练参数。
跨任务直接比较 MSE
忽略大异常误差影响

实际应用

回归损失
模型评价

常见错误

跨任务直接比较 MSE

忽略大异常误差影响

文档来源

01｜数学与数据基础原始文档

学习资料/learning_tech/01_math_data_foundations.md

§7.1 均方误差

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

MSE 与 RMSE：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–5 行

代码与数学原理

预期输出或运行结果

常见错误 · 3 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料

学习前需要掌握

背景与问题

概念定义

直观理解

核心原理

数学表达

核心表达

变量含义

计算步骤

代码对应位置

计算与实现步骤

代码实现

MSE 与 RMSE：最小可验证示例

代码解析

输入数据与任务

Step 1 · 1–5 行

代码与数学原理

预期输出或运行结果

常见错误 · 3 条

实际应用

常见错误

与其他概念的关系

文档来源

推荐学习资料