MSE 全称是 Mean Squared Error，中文标准名称叫做均方误差，它是机器学习回归任务、统计学、信号处理领域最基础也最常用的误差评估指标，核心作用就是量化模型预测数值和真实数值之间的偏差大小，简单来说就是把每一组预测值和真实值的差值做平方，再计算所有样本的平均值，MSE 的数值越小，代表模型预测结果和真实值越接近，模型拟合效果越好，这个指标广泛用于线性回归预测模型训练，误差分析，模型对比筛选，信号降噪效果评估，工业测量精度校验等场景，需要注意 MSE 是带平方单位的指标，会放大较大的预测误差，对异常值非常敏感，这也是它和 MAE 平均绝对误差最核心的差别，很多初学者容易混淆 MSE 和 RMSE，RMSE 是 MSE 开平方根之后得到的均方根误差，单位和原始数据保持一致。

MSE 数学定义与计算公式

MSE 的计算逻辑可以拆成三步，首先拿到全部样本的真实标签 y，然后拿到模型输出的预测值 y 帽，逐样本计算两者差值，也就是预测误差，接着对每一个误差做平方运算，最后把所有平方误差求和，再除以样本总数量 n，就得到 MSE。

公式文字表达 MSE 等于所有样本 预测值减去真实值 的平方之和 除以样本数量 n

重点理解平方这一步的作用，第一可以消除正负误差互相抵消的问题，如果直接求误差平均值，有的预测偏高有的预测偏低，正负会抵消，最后平均值接近零，看不出真实误差水平，平方之后全部变成非负数，不会抵消。第二平方会惩罚大误差，预测偏差越大，平方之后数值增长越快，也就是说 MSE 会更看重那些预测严重跑偏的样本，对离群异常点非常敏感。

MSE 的特点与优缺点

优点

第一计算简单，推导方便，数学性质平滑可导，非常适合作为神经网络线性回归模型的损失函数，梯度下降优化的时候可以直接求导更新参数。

第二是行业通用标准指标，跨论文跨项目都可以直接对比，大家都认可这套计算标准。

第三可以很好反映整体预测波动情况，数值稳定，适合大批量样本评估。

缺点

第一对异常值敏感，如果数据集里面存在个别极端离群点，这个点的误差平方会变得特别大，直接拉高整体 MSE，让模型评估结果失真。

第二单位是原始数据单位的平方，比如原始数据单位是元，MSE 单位就是元的平方，直观理解起来不够方便，所以很多场景会额外搭配 RMSE 一起使用。

第三 MSE 只衡量误差大小，无法区分是系统性偏差还是随机波动，不能单独判断模型是否存在固定偏置。

MSE 和同类误差指标对比表格

MSE 实际使用步骤

第一步准备数据集，拆分训练集测试集，训练集用来训练回归模型，测试集用来计算 MSE 做效果评估。

第二步训练回归模型，比如线性回归，决策树回归，神经网络回归，得到模型预测输出。

第三步取出测试集全部样本，逐个计算预测值与真实值的差值，对差值平方。

第四步把全部平方误差累加，除以测试样本总数，得到 MSE 数值。

第五步横向对比多个模型的 MSE，MSE 更低的模型代表预测精度更高，同时检查数据是否存在异常离群点，如果异常点影响过大，可以考虑替换成 MAE 作为评估指标。

补充说明，在深度学习训练的时候，MSE 经常直接作为损失函数，也就是损失 MSE，模型训练的目标就是不断迭代参数，让这个 MSE 损失持续下降，直到收敛。

不同领域 MSE 的含义补充

统计学领域，MSE 还可以分解成方差加上偏差的平方，这个就是经典的偏差方差分解，用来分析模型泛化误差来源，判断模型是欠拟合还是过拟合。

信号处理领域，MSE 用来衡量原始信号和重建信号之间的失真程度，图像压缩降噪算法，都会用 MSE 评价还原之后图像和原图的失真大小。

工程测量领域，MSE 用来评估传感器测量值和标准真值之间的综合误差，判断测量设备精度等级。

总结

MSE 表示均方误差，是回归任务经典评估指标，通过误差平方求平均衡量预测值和真实值偏差，优点是可导适合做损失函数，缺点是对异常值敏感单位是平方单位，使用的时候要结合业务场景，经常和 RMSE MAE 搭配对比，不要只单独依靠 MSE 判断模型好坏，同时要理解偏差方差分解的原理，深入分析误差来源。

【常见问题】

问题 1 mse 表示什么，它和 rmse 有什么区别

回答 1 mse 表示均方误差，是预测误差平方之后的平均值，rmse 是把 mse 做开平方运算得到的均方根误差，核心差别就是 mse 单位是原始数据单位的平方，rmse 单位和原始数据保持一致，两者都保留了平方误差放大异常值的特性，业务报告里面经常优先展示 rmse，模型训练损失函数经常直接使用 mse。

问题 2 mse 表示均方误差，为什么它对异常值很敏感

回答 2 mse 表示均方误差，计算的时候会对预测误差做平方处理，极端异常样本的误差本身数值很大，平方之后数值会成倍放大，这个超大的平方误差会拉高整体平均值，最终让 mse 数值明显变大，也就是异常点会主导 mse 结果，如果业务场景异常值不能被放大惩罚，就不适合只用 mse，推荐改用 mae 平均绝对误差。

问题 3 mse 表示均方误差，mse 数值越小是不是模型就一定最好

回答 3 mse 表示均方误差，mse 数值越小代表测试集预测误差越小，但不能直接判定模型一定最好，有可能模型出现过拟合，训练集 mse 很低但是新数据泛化 mse 很差，同时还要结合偏差方差，业务需求，模型复杂度综合判断，不能只看单一 mse 指标下结论。

问题 4 mse 表示均方误差，可以直接作为神经网络回归任务的损失函数吗

回答 4 mse 表示均方误差，可以直接作为神经网络回归任务的损失函数，也就是 MSE Loss，因为 MSE 函数是连续平滑可导的，支持梯度下降反向传播更新权重，是回归神经网络最常用的损失函数之一，但是如果数据集离群点很多，使用 mse 作为损失函数训练出来的模型容易被异常点干扰。

【免责申明】

本文属于机器学习统计学知识科普，讲解 mse 均方误差的定义计算与使用方法，不构成任何建模投资或者工程决策建议，指标计算需要结合实际业务数据集，不同场景指标选择存在差异，使用者需要自行验证计算逻辑，独立承担相关使用风险。