均方根誤差計算機(RMSE)

均方根誤差計算機(RMSE)

熱門 AI Skill PRO

輸入計算

數學公式

RMSE=1n∑i=1n(實際值i−預測值i)2\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( {{\text{實際值}_i}} - {{\text{預測值}_i}} \right)^2}
使用統計

廣告

結果

均方根誤差
0.6124
RMSE
資料筆數(n) 4
均方誤差(MSE) 0.375
平均絕對誤差(MAE) 0.5

回報本頁錯誤

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。

帶迴歸線的散佈圖,點與線之間有垂直的殘差線段
RMSE 概括了殘差——實際點與預測值之間的垂直差距。

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。

廣告
展示 RMSE 公式步驟的平面圖:從誤差到平方、求平均再到開平方根
將每個誤差平方、求平均,再開平方根,使結果回到原始單位。

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 \((0.5 + 0.5 + 0 + 1) / 4 = 0.5\)。

廣告

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
  1. 平方誤差總和:\(1 + 4 + 0 + 9 + 1 = 15\)
  2. MSE:$$\text{MSE} = \frac{15}{5} = 3$$
  3. RMSE:$$\text{RMSE} = \sqrt{3} \approx 1.7321$$
  4. 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
  1. 平方誤差總和:\(1 + 4 + 0 + 9 + 100 = 114\)
  2. MSE:$$\text{MSE} = \frac{114}{5} = 22.8$$
  3. RMSE:$$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
  4. 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。

最後更新:

數學和統計熱門計算器

查看全部數學和統計計算器