均方根误差(RMSE)计算器

均方根误差(RMSE)计算器

增长中 AI Skill PRO

输入计算

数学公式

RMSE=1n∑i=1n(实际值i−预测值i)2\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( {{\text{实际值}_i}} - {{\text{预测值}_i}} \right)^2}
使用统计

广告

结果

均方根误差
0.6124
RMSE
数据点个数(n) 4
均方误差(MSE) 0.375
平均绝对误差(MAE) 0.5

报告本页错误

什么是均方根误差(RMSE)?

均方根误差(Root Mean Square Error,简称 RMSE)是衡量模型预测值与实际观测值偏离程度的常用指标之一。它用与原始数据相同的单位来表示预测误差的典型大小,因此结果直观、易于理解。RMSE 越小,说明拟合效果越好;当 RMSE 等于 0 时,意味着预测完全准确。

带回归线的散点图,点与线之间有垂直的残差线段
RMSE 概括了残差——实际点与预测值之间的垂直差距。

如何使用本计算器

请分别输入实际值和预测值两组数据,每组数值之间用逗号或空格分隔。两组数据的个数应保持一致;若数量不同,计算器会取前 n 对相互匹配的数据进行计算。点击「计算」后,即可看到 RMSE,同时还会显示均方误差(MSE)和平均绝对误差(MAE),方便你做更全面的对比。

计算公式详解

RMSE 的计算分为四步:(1)用每个实际值减去对应的预测值,得到误差;(2)对每个误差取平方,使正负误差不会相互抵消;(3)对所有平方误差求平均,得到 MSE;(4)再开平方根,把结果换算回原始数据的单位。由于平方运算会放大较大误差的权重,因此相比 MAE,RMSE 对离群值(异常值)更为敏感。

$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$

广告
展示 RMSE 公式步骤的平面图:从误差到平方、求平均再到开平方根
将每个误差平方、求平均,再开平方根,使结果回到原始单位。

实例演示

假设实际值 = [3, -0.5, 2, 7],预测值 = [2.5, 0.0, 2, 8]。则各项误差为 0.5、-0.5、0、-1。取平方后得到 0.25、0.25、0、1,合计为 1.5。除以 \(n = 4\),得 \(\text{MSE} = 0.375\)。再开平方根,得 \(\text{RMSE} \approx 0.6124\)。而 MAE 为 $$\text{MAE} = \frac{0.5 + 0.5 + 0 + 1}{4} = 0.5$$

广告

更多示例

两个示例均使用连续五天的气温预报,单位为 °C。每个误差为 \(e_i = \text{Actual}_i - \text{Predicted}_i\)。平方误差用于计算 MSE 和 RMSE,绝对误差用于计算 MAE。两组数据除第 5 天外完全相同,因此你可以看到一次较大的偏差会如何影响每个指标。

示例 1:较为准确的预报

实际气温:20、22、25、24、21。预测气温:21、20、25、27、22。

天数 实际值(°C) 预测值(°C) 误差 \(e_i\) 平方误差 \(e_i^2\) 绝对误差 \(|e_i|\)
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
合计 15 7
  1. 平方误差之和:\(1 + 4 + 0 + 9 + 1 = 15\)
  2. 均方误差(MSE):$$\text{MSE} = \frac{15}{5} = 3$$
  3. 均方根误差(RMSE):$$\text{RMSE} = \sqrt{3} \approx 1.7321$$
  4. 平均绝对误差(MAE):$$\text{MAE} = \frac{1 + 2 + 0 + 3 + 1}{5} = \frac{7}{5} = 1.4$$

结果:RMSE ≈ 1.7321 °C,MAE = 1.4 °C。两个数值很接近(RMSE/MAE ≈ 1.24),因为所有误差的大小大致相同。

示例 2:同一预报,但有一次较大偏差

除第 5 天外,其他数据均与上例相同。第 5 天的预测气温为 31 °C,而不是 22 °C。实际气温仍为 21 °C。

天数 实际值(°C) 预测值(°C) 误差 \(e_i\) 平方误差 \(e_i^2\) 绝对误差 \(|e_i|\)
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
合计 114 16
  1. 平方误差之和:\(1 + 4 + 0 + 9 + 100 = 114\)
  2. 均方误差(MSE):$$\text{MSE} = \frac{114}{5} = 22.8$$
  3. 均方根误差(RMSE):$$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
  4. 平均绝对误差(MAE):$$\text{MAE} = \frac{1 + 2 + 0 + 3 + 10}{5} = \frac{16}{5} = 3.2$$

结果:RMSE ≈ 4.7749 °C,MAE = 3.2 °C。

两个示例的比较

指标 示例 1 示例 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 —

一次偏差为 10 °C 的预报,占据了总平方误差 114 中的 100,即约 88%。而 MAE 只把这次偏差计为总误差 16 个单位中的 10 个。由于 RMSE 在求平均之前先将每个误差平方,它的增幅远大于 MAE 的增幅。当 RMSE 明显大于 MAE 时,通常说明是少数几个较大的误差在主导分数。在判断整个模型是否不好之前,请先查看这些单独的数据点。

单位:RMSE 和 MAE 的单位与数据相同,均为 °C。MSE 的单位是 °C²,这也是 RMSE 通常更容易解释的原因。

常见问题

RMSE 多大才算好?这完全取决于数据的量纲与取值范围。建议将 RMSE 与目标变量的取值区间或均值进行对比,或者与一个基准模型(baseline)作比较。

RMSE 和 MAE 有什么区别?RMSE 在求平均前会先对误差取平方,因此对较大误差的惩罚更重;而 MAE 则按误差大小成比例地对待所有误差。

RMSE 会出现负值吗?不会。因为它是「平方平均值」再开平方根的结果,所以 RMSE 始终大于或等于 0。

最后更新:

数学和统计热门计算器

查看全部数学和统计计算器