均方误差（mean squared error）

当一个模型预测的是一个数字——房价、明天的气温——你用「它的猜测与真相之间的差距」来衡量它错了多少。均方误差把每一个这样的差距取来，平方，再求平均。平方做了两件事：让每个误差都变成正的（这样两个方向的偏差都算数），并且对大的偏差惩罚得远比小的狠。

这种狠狠的惩罚，正是MSE的全部性格。一个为10的误差对总和贡献100；一个为1的误差只贡献1。于是单单一个错得离谱的预测，就能主导整个分数。这使得MSE在「大错确实比小错糟糕得多」时极为出色——但也使它对离群值非常敏感，几个反常的数据点就能把这个数字吹得老大。

MSE是无数模型被训练去最小化的默认损失，部分原因在于它那光滑的、碗状的数学形式对优化器很友好。一个实际的麻烦是：因为它做了平方，它的单位也被平方了——你以美元为单位预测价格，MSE出来却是「美元的平方」，毫无直观意义。这正是人们常常改报它的平方根RMSE的原因，那样就回到了原来的、读得懂的单位。