因为那将是一个完全不同的目标。请注意，与 MSE 不同，如果两个变量之间存在线性关系，则 Pearson 相关性最大。这意味着

• 如果网络的输出与因变量样本大致成比例，而不是相等（或相似），那么网络会“认为”它已经正确地学习了它的输入。因此预测或或（等）将是等价的。这通常是不可取的，因为我们希望我们的网络给出与其输入相似的预测，而不是与所述输入成比例。$Y$$2Y$$-Y$

• 这样提出的优化问题不会有全局最小值。上面设置的任何比例常数都会给出最佳解决方案。从数值的角度来看，这是不可取的，并且会导致不稳定。

这更像是一个评论，虽然我还不能评论。

我怀疑相对于归一化输入最小化 RMSE （大致？）相当于最大化 Pearson 相关系数，但后者的计算成本更高。