实际上，查看 MAE 和 RMSE 可以为您提供有关错误分布的更多信息：

$\mathrm{MAE} \leq \mathrm{RMSE} \leq \mathrm{MAE}^2$（用于回归）

• 如果$\mathrm{RMSE}$接近$\mathrm{MAE}$, 模型犯了很多相对较小的错误
• 如果$\mathrm{RMSE}$接近$\mathrm{MAE}^2$, 模型的错误很少但很大

性能指标的选择取决于对您感兴趣的应用程序的重要性。对于许多应用程序来说，MSE 是一个很好的性能指标，因为有充分的理由假设噪声过程是高斯的。如果您不希望您的性能指标对异常值过于敏感，有时最好使用 MAE。本质上，如果不了解应用程序的性质，就没有正确的性能指标。

另一方面，我并不太热衷于支持向量回归，因为通常有关于响应变量中噪声分布的知识，如果我们将这些专家知识构建到模型中，我们可能会获得更好的数据模型出模型。这就是为什么我们有 GLM，而不仅仅是对所有事情都使用最小二乘回归。SVM 中使用的损失函数对这种性质没有非常清晰的统计解释。SVM 回归还使用基于错误的最坏情况界限的损失函数，因此，如果您使用本质上是平均情况统计的性能指标，那么这表明您应该改用基于平均情况的模型性能而不是最坏的情况（例如 GLM）。

MAE 比 MSE 更直观，可以简单地评估整体误差。

MSE 更容易在数学上处理方差分析。例如，MSE 用于计算误差方差$s_e^2$，这是回归统计中的重复值。