有多个因素需要考虑，但首先要意识到的是，在回归中，您不想考虑一个示例是“正确”还是“不正确”，而是它与真实目标值的接近程度。因此，您可以忽略“80% 的预测是'正确'”的原始直觉。

其次，请记住RMSE与您的目标值在同一空间中。因此，它与目标值的差异有关。随机猜测的基准应该让您获得RMSE = standard_deviation. 所以低于这个，你的模型展示了一些学习能力；超过这个数字，你甚至还没有学会正确猜测平均值。

与其他指标一样，在 RMSE 空间中，“我的模型表现良好”没有界限。一切都与天真的解决方案/基准或最先进的技术有关。

均方根误差 (RMSE) 是一种常用的衡量模型预测值（样本值和总体值）与实际观察值之间差异的度量。如果你建立了一个好的模型，你的训练集和测试集的 RMSE 应该非常相似。如果测试集的 RMSE 远高于训练集的 RMSE，则您可能严重过度拟合数据。