如何解释 RMSE？

RMSE 正是定义的内容。24.5 美元是您的预测与实际观察之间的平方差平均值的平方根。正如您可能从经典线性回归中学到的那样，在统计数据中，平方差比绝对差更常见。

这让我有点困惑。而且我找不到任何可靠的参考来明确指出人们可以安全地将 RSME 解释为 MAE。RMSE 是否只是在数学上更便于优化等，我们最好使用 MAE 进行解释？

我认为这篇文章应该对你有所帮助。我会直接回答你的问题：

• RMSE 在数学上和实践上都更容易。你听说过导数吗？当您的预测等于观察值时，MAE 的导数未定义，但 RMSE 的任何地方都已明确定义。在机器学习中，定义良好的梯度函数通常更好。
• RMSE 和 MAE 都很有用，但它们是两个非常不同的指标。在回归中，通常是在线性回归和分位数回归之间进行选择。他们是两个非常不同的模型！
• 如链接中所述，如果您不希望残差过多影响模型，MAE 可能会更好。否则，如果您的数据集定义明确（残差不多），则 RMSE 可能会更好。

哪个更好，没有对错之分。像两种不同的建模算法一样思考。

均方根误差 (RMSE)是残差的标准偏差（预测误差）。残差衡量回归线数据点的距离；RMSE 是衡量如何分散这些残差的方法。换句话说，它告诉您数据在最佳拟合线附近的集中程度。

评估回归模型与数据集的拟合程度的一种方法是计算均方根误差，这是一个指标，它告诉我们模型的预测值与数据集中的实际值之间的平均距离。

RMSE 越低，给定模型越能“拟合”数据集

查找有关如何通过示例解释均方根误差 (RMSE)的详细说明。