【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。它能够反映模型的预测精度，数值越小，说明模型的预测效果越好。
一、均方误差的定义
均方误差是指所有样本点的预测值与实际值之差的平方的平均值。其计算公式如下：
$$
\text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
其中：
- $ y_i $：第 $ i $ 个样本的实际值
- $ \hat{y}_i $：第 $ i $ 个样本的预测值
- $ n $：样本总数
二、计算步骤
1. 获取实际值和预测值
首先需要有实际观测数据 $ y_i $ 和对应的模型预测值 $ \hat{y}_i $。
2. 计算每个样本的误差平方
对于每一个样本，计算 $ (y_i - \hat{y}_i)^2 $。
3. 求平均值
将所有样本的误差平方相加，再除以样本数量 $ n $，得到最终的均方误差。
三、示例说明
假设我们有以下数据：
| 样本编号 | 实际值 $ y_i $ | 预测值 $ \hat{y}_i $ | 误差平方 $ (y_i - \hat{y}_i)^2 $ |
| 1 | 5 | 4 | $ (5-4)^2 = 1 $ |
| 2 | 7 | 6 | $ (7-6)^2 = 1 $ |
| 3 | 9 | 10 | $ (9-10)^2 = 1 $ |
| 4 | 11 | 12 | $ (11-12)^2 = 1 $ |
总误差平方和为：$ 1 + 1 + 1 + 1 = 4 $
样本数 $ n = 4 $
因此，均方误差为：
$$
\text{MSE} = \frac{4}{4} = 1
$$
四、均方误差的特点
| 特点 | 说明 |
| 易理解 | 计算简单，直观反映误差大小 |
| 受异常值影响大 | 平方操作会放大较大误差的影响 |
| 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 | 是评估回归模型性能的重要指标之一 |
五、总结
均方误差是一种简单但有效的模型评估方法，适用于大多数回归任务。通过计算预测值与实际值之间的平方差的平均值，可以快速判断模型的准确性。在实际应用中，建议结合其他指标（如MAE、R²等）进行综合分析，以获得更全面的模型评价。
表格总结：
| 指标 | 说明 |
| 公式 | $ \text{MSE} = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $ |
| 目的 | 衡量预测值与实际值之间的差异 |
| 特点 | 易理解、受异常值影响大、单位一致 |
| 应用场景 | 回归模型评估、预测误差分析 |
