---
title: "均方誤差（Mean Squared Error）"
slug: mean-squared-error
language: zh-TW
source: https://aiterms.tw/terms/mean-squared-error
updated_at: 2026-04-29
tags: [模型評估, 統計方法]
ipas_term: false
---

# 均方誤差（Mean Squared Error）

> **你有沒有發現，有些模型只錯一點點沒事，但一旦錯很大就整個失真？**
>
> 你可以把均方誤差想成，先把每次預測的差距平方，再算平均，所以大錯會被放大。
> 它重要在於，很多回歸模型都拿它當訓練目標，因為它很適合逼模型不要犯大錯。
>
> 你可以把它想成一個把抽象概念拉回日常判斷的提示，先知道它解決什麼問題，再看技術細節。

### 容易混淆

> **均方誤差 vs 平均絕對誤差**
>
> 均方誤差：平方後平均，大誤差會被加重。
> 平均絕對誤差：直接平均絕對值，對離群值比較溫和。
> 最關鍵的區別：MSE 會更在乎大錯。

> **均方誤差 vs 均方根誤差**
>
> 均方誤差：單位是平方後的結果。
> 均方根誤差：把 MSE 開根號，回到原始尺度。
> 最關鍵的區別：RMSE 比 MSE 更容易直接理解。

### 記住這句就好

> 錯越大，扣分越重，因為它把誤差平方了。

### 實際案例

> **溫度預測**
>
> 如果模型把氣溫預測錯 1 度和錯 5 度一起算，MSE 會明顯懲罰那個錯 5 度的預測，讓模型更怕大偏差。

> **需求預測**
>
> 補貨系統最怕一兩天預測差太多，MSE 會逼模型把那些尖峰需求也顧到，避免一次估錯就大缺貨。

### 算法與應用

> MSE 常和高斯噪聲假設一起出現，因為平方誤差在數學上很好處理。
> 它對離群值敏感，所以如果資料裡有極端點，訓練會被拉得比較重。
> 訓練深度回歸模型時，MSE 幾乎是最常見的起點。

### 情境判斷

> **Q1（情境題）：** 如果你的資料常有幾筆超大錯誤，MSE 合適嗎？
>
> → 要小心。MSE 會把大錯放得很大，可能讓模型過度追那些極端值，這時 MAE 或 Huber loss 可能更穩。

> **Q2（情境題）：** 如果你就是想讓模型更怕大失誤，該選哪個指標？
>
> → MSE 很適合，因為平方懲罰會讓大誤差明顯變重。

### 常見問題

> **Q：MSE 的值越小代表什麼？**
>
> 代表預測和真實值的平均平方差越小，模型通常更準。

> **Q：MSE 為什麼常拿來訓練模型？**
>
> 因為它可微分、好最佳化，而且對大誤差懲罰明確。

> **Q：MSE 適合所有回歸問題嗎？**
>
> 不一定。若資料離群值很多，MSE 可能太敏感，這時要考慮其他損失。

### 相關術語

> - **平均絕對誤差**：和 MSE 對照最能看出大錯懲罰差異。
> - **均方根誤差**：把平方誤差轉回原始單位時會用到。
> - **損失函數**：MSE 最常直接被拿來當損失。
> - **偏差**：常和 MSE 一起看模型誤差來源。
> - **過擬合**：若模型追太多細節，MSE 可能看起來很好但泛化差。

---

來源：https://aiterms.tw/terms/mean-squared-error
快查頁：https://aiterms.tw/terms/mean-squared-error
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-mean-squared-error