【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。它通过计算预测值与真实值之间的平方差的平均值来评估模型的准确性。下面将从定义、计算公式和示例三个方面进行总结，并附上表格形式的说明。
一、均方误差的定义
均方误差是一种用于评估模型预测性能的指标，尤其适用于连续变量的预测任务。它的核心思想是：预测值与真实值之间的差异越大，均方误差也越大。因此，MSE越小，表示模型的预测效果越好。
二、均方误差的计算公式
均方误差的计算公式如下：
$$
MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2
$$
其中：
- $ y_i $ 表示第 $ i $ 个样本的真实值；
- $ \hat{y}_i $ 表示第 $ i $ 个样本的预测值；
- $ n $ 表示样本数量。
该公式首先计算每个样本的预测值与真实值的差值的平方，然后求这些平方差的平均值。
三、计算步骤
1. 收集数据：获取一组样本的真实值 $ y_i $ 和对应的预测值 $ \hat{y}_i $。
2. 计算每个样本的误差平方：对每个样本，计算 $ (y_i - \hat{y}_i)^2 $。
3. 求平均：将所有误差平方相加，再除以样本数量 $ n $。
四、示例说明
假设我们有以下5组数据：
| 样本 | 真实值 $ y_i $ | 预测值 $ \hat{y}_i $ | 误差平方 $ (y_i - \hat{y}_i)^2 $ |
| 1 | 2 | 3 | 1 |
| 2 | 4 | 5 | 1 |
| 3 | 6 | 7 | 1 |
| 4 | 8 | 9 | 1 |
| 5 | 10 | 11 | 1 |
根据公式计算：
$$
MSE = \frac{1 + 1 + 1 + 1 + 1}{5} = \frac{5}{5} = 1
$$
五、总结表
| 项目 | 内容 |
| 全称 | 均方误差（Mean Squared Error） |
| 用途 | 评估回归模型的预测精度 |
| 公式 | $ MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 $ |
| 计算步骤 | 1. 收集真实值与预测值；2. 计算误差平方；3. 求平均 |
| 特点 | 对误差敏感，放大了大误差的影响；单位与原数据一致 |
| 应用场景 | 回归分析、预测模型评估等 |
通过以上内容可以看出，均方误差是一种简单但有效的模型评估方法，尤其适合需要量化预测误差的场景。在实际应用中，还可以结合其他指标（如MAE、R²）综合评估模型表现。