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

# 均方根誤差（Root Mean Squared Error）

> **你在預測房價、銷售量或氣溫時，會不會想知道模型平均偏差有多大？**
>
> 你可以把 RMSE 想成「預測錯多遠」的尺，而且它會對大錯誤特別敏感。
>
> 它重要是因為回歸問題常需要一個能直接看出誤差大小的指標。
>
> 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

> **RMSE vs MSE**
>
> RMSE 是把均方誤差開根號
> MSE 還留在平方單位
> 最關鍵的區別是單位有沒有回到原始尺度。
>
> **RMSE vs MAE**
>
> RMSE 更重視大誤差
> MAE 對每個誤差的權重比較平均
> 最關鍵的區別是大錯誤會不會被放大。
>

### 記住這句就好

> 想看誤差大不大，又怕大錯誤特別刺眼，就看 RMSE。

### 實際案例

> **房價預測**
> 如果模型常把高價房屋猜得差很多，RMSE 會被拉高，提醒你大誤差很嚴重。
>
> **需求預測**
> 在庫存規劃裡，RMSE 可以幫你看到預測偏差是否已經影響補貨決策。
>

### 算法與應用

> RMSE 的單位和原始目標一致，這讓它比 MSE 更容易解讀。
> 因為平方後再開根號，大誤差會比小誤差更影響結果。
> 若你在意極端錯誤，RMSE 往往比 MAE 更敏感。

### 情境判斷

> **Q1（直覺題）：如果你想知道預測值平均離真值多遠，而且特別在意大錯誤，該看哪個指標？**
>
> → 很常看 RMSE。
>
> **Q2（判斷題）：RMSE 比較低，就一定代表模型最適合嗎？**
>
> → 不一定。還要看業務目標，因為有些場景更在意小誤差的穩定性，可能會偏好 MAE。
>

### 常見問題

> **Q：RMSE 的數值範圍是多少？**
> A：沒有固定上限，數值會跟你的資料尺度一起變。
>
> **Q：RMSE 可以直接比較不同資料集嗎？**
> A：通常不行，因為資料尺度不同，分數不能直接比。
>
> **Q：怎麼降低 RMSE？**
> A：可以改善特徵、清理異常值、換模型或重新調整損失函數。
>

### 相關術語

> - **均方誤差**：RMSE 是由它開根號而來。
> - **平均絕對誤差**：跟 RMSE 一起看，最能理解大錯誤的權重。
> - **損失函數**：RMSE 常被拿來跟損失函數一起討論。
> - **線性迴歸法**：它是回歸評估最常見的基礎場景。
> - **代價函數**：RMSE 和成本函數都在衡量誤差。

---

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