什麼是均方根誤差(RMSE)?
均方根誤差(Root Mean Square Error,RMSE)是衡量模型預測值與實際觀測值偏離程度時,最常用的指標之一。它以與資料相同的單位呈現「典型」的預測誤差大小,因此結果相當直觀、容易解讀。RMSE 越小代表模型擬合得越好;當 RMSE 等於 0 時,表示預測完全準確、毫無誤差。
如何使用這個計算機
請分別輸入實際值與預測值兩組清單,數值之間可用逗號或空白分隔。兩組清單的數量最好相同;若數量不一致,計算機會取前 n 組成功配對的數據。輸入完成後點選計算,即可看到 RMSE,並同時取得均方誤差(MSE)與平均絕對誤差(MAE),讓你有更完整的參考依據。
公式拆解說明
RMSE 的計算公式如下:
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$RMSE 的計算可分成四個步驟:(1)將每個實際值減去對應的預測值,得到誤差;(2)將每個誤差取平方,避免正負誤差互相抵消;(3)把這些平方誤差取平均,得到 MSE;(4)再開平方根,讓結果回到與原始資料相同的單位。由於取平方會放大較大的誤差,因此相較於 MAE,RMSE 對離群值(outlier)更為敏感。
實際範例
假設實際值 = [3, -0.5, 2, 7],預測值 = [2.5, 0.0, 2, 8]。各筆誤差為 0.5、-0.5、0、-1;取平方後為 0.25、0.25、0、1,總和為 1.5。除以 \(n = 4\),得到 \(\text{MSE} = 0.375\)。再開平方根,即得 \(\text{RMSE} \approx 0.6124\)。而 MAE 則為 \((0.5 + 0.5 + 0 + 1) / 4 = 0.5\)。
更多實例演算
兩個範例都使用五天的溫度預報,單位為 °C。每個誤差為 \(e_i = \text{實際}_i - \text{預測}_i\)。平方誤差用於計算 MSE 與 RMSE,絕對誤差則用於計算 MAE。兩組資料除了第 5 天之外完全相同,因此你可以看到一個較大的偏差會對每個指標造成什麼影響。
範例 1:相當準確的預報
實際溫度:20、22、25、24、21。預測溫度:21、20、25、27、22。
| 天 | 實際(°C) | 預測(°C) | 誤差 \(e_i\) | 平方誤差 \(e_i^2\) | 絕對誤差 \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 22 | −1 | 1 | 1 |
| 總和 | 15 | 7 | |||
- 平方誤差總和:\(1 + 4 + 0 + 9 + 1 = 15\)
- MSE:$$\text{MSE} = \frac{15}{5} = 3$$
- RMSE:$$\text{RMSE} = \sqrt{3} \approx 1.7321$$
- MAE:$$\text{MAE} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$
結果:RMSE ≈ 1.7321 °C,MAE = 1.4 °C。兩個數值很接近(RMSE/MAE ≈ 1.24),因為所有誤差大小大致相同。
範例 2:同一預報,但有一個較大的偏差
除了第 5 天之外,其餘都與上面相同:該天預報為 31 °C,而非 22 °C。實際溫度仍為 21 °C。
| 天 | 實際(°C) | 預測(°C) | 誤差 \(e_i\) | 平方誤差 \(e_i^2\) | 絕對誤差 \(|e_i|\) |
|---|---|---|---|---|---|
| 1 | 20 | 21 | −1 | 1 | 1 |
| 2 | 22 | 20 | 2 | 4 | 2 |
| 3 | 25 | 25 | 0 | 0 | 0 |
| 4 | 24 | 27 | −3 | 9 | 3 |
| 5 | 21 | 31 | −10 | 100 | 10 |
| 總和 | 114 | 16 | |||
- 平方誤差總和:\(1 + 4 + 0 + 9 + 100 = 114\)
- MSE:$$\text{MSE} = \frac{114}{5} = 22.8$$
- RMSE:$$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
- MAE:$$\text{MAE} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$
結果:RMSE ≈ 4.7749 °C,MAE = 3.2 °C。
比較兩個範例
| 指標 | 範例 1 | 範例 2 | 增幅 |
|---|---|---|---|
| MSE(°C²) | 3 | 22.8 | ×7.6 |
| RMSE(°C) | 1.7321 | 4.7749 | +3.0428 (×2.76) |
| MAE(°C) | 1.4 | 3.2 | +1.8 (×2.29) |
| RMSE ÷ MAE | 1.24 | 1.49 | — |
單一次誤差 10 °C 的預報,佔了總平方誤差 114 中的 100,約 88%。MAE 則將該次偏差計為總誤差 16 個單位中的 10 個。由於 RMSE 在取平均前會先將每個誤差平方,因此它的增幅遠大於 MAE。當 RMSE 明顯大於 MAE 時,通常是少數幾個較大的誤差在主導分數。在判斷整個模型是否不佳之前,請先查看這些個別的數據點。
單位:RMSE 與 MAE 的單位為 °C,與資料相同。MSE 的單位為 °C²,這也是 RMSE 通常較容易解讀的原因。
常見問題
RMSE 多少才算好?這完全取決於資料的尺度。建議將 RMSE 與目標變數的數值範圍或平均值相比,或拿來與一個基準模型(baseline)對照,才能判斷是否理想。
RMSE 和 MAE 有什麼不同?RMSE 會先把誤差取平方再平均,因此對較大的誤差懲罰較重;而 MAE 則是按比例平等看待每一筆誤差。
RMSE 會出現負值嗎?不會。由於它是「平方平均值」的平方根,因此 RMSE 永遠大於或等於 0。