测量预测值Ŷ与某些真实值匹配程度。MSE 通常用作回归问题的损失函数。例如，根据其属性估算公寓的价格。

这是维基百科中定义的均方误差 (MSE) 公式。它代表了一个非常简单的概念，但如果您刚开始使用 ML，可能不太容易读懂。

让我们从内而外拆开包装。MSE 计算模型的预测 Ŷ 与真实标签 Y 的接近程度。您希望误差变为 0。如果您预测房价，误差可能是预测价格与实际价格之间的差异。

从标签中减去预测是行不通的。误差可能为负也可能为正，这是对样本求和时的问题。您可以取绝对值或误差的平方。取平方有一个特性，它惩罚更大的错误更多。

想象一下你对两栋房子的价格的

预测是这样的： 房子 1：实际 120K，预测 100K -> 误差 20K

房子 2：实际 60K，预测 80K -> 误差 -20K

如果你把这些加起来，误差将为 0，这显然是错误的......

在训练模型时，您的批次中将有许多样本 (n)。我们需要计算每一个的误差并求和。同样，在这里让误差始终≥ 0 很重要。

如果要比较不同大小批次的误差，则需要对样本数量进行归一化——取平均值。例如，您可能想查看哪个批次大小产生的误差较小。

现在应该更容易理解公式了！MSE 是 ML 回归模型（例如线性回归）中常用的统计度量和损失函数。您还应该查看平均绝对误差 (MAE)，它可以更好地处理异常值。