均方誤差（mean squared error）

當一個模型預測的是一個數字——房價、明天的氣溫——你用「它的猜測與真相之間的差距」來衡量它錯了多少。均方誤差把每一個這樣的差距取來，平方，再求平均。平方做了兩件事：讓每個誤差都變成正的（這樣兩個方向的偏差都算數），並且對大的偏差懲罰得遠比小的狠。

這種狠狠的懲罰，正是MSE的全部性格。一個為10的誤差對總和貢獻100；一個為1的誤差只貢獻1。於是單單一個錯得離譜的預測，就能主導整個分數。這使得MSE在「大錯確實比小錯糟糕得多」時極為出色——但也使它對離群值非常敏感，幾個反常的數據點就能把這個數字吹得老大。

MSE是無數模型被訓練去最小化的預設損失，部分原因在於它那光滑的、碗狀的數學形式對優化器很友好。一個實際的麻煩是：因為它做了平方，它的單位也被平方了——你以美元為單位預測價格，MSE出來卻是「美元的平方」，毫無直觀意義。這正是人們常常改報它的平方根RMSE的原因，那樣就回到了原來的、讀得懂的單位。