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。
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。
$$\text{RMSE} = \sqrt{\frac{1}{n} \sum_{i=1}^{n} \left( \text{Actual}_i - \text{Predicted}_i \right)^2}$$
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 $$\text{MAE} = \frac{0.5 + 0.5 + 0 + 1}{4} = 0.5$$
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 | |||
- 平方误差之和:\(1 + 4 + 0 + 9 + 1 = 15\)
- 均方误差(MSE):$$\text{MSE} = \frac{15}{5} = 3$$
- 均方根误差(RMSE):$$\text{RMSE} = \sqrt{3} \approx 1.7321$$
- 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 | |||
- 平方误差之和:\(1 + 4 + 0 + 9 + 100 = 114\)
- 均方误差(MSE):$$\text{MSE} = \frac{114}{5} = 22.8$$
- 均方根误差(RMSE):$$\text{RMSE} = \sqrt{22.8} \approx 4.7749$$
- 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。