瞎猜誤差 (分母)：假設你什麼資料都沒有，最安全的猜法就是「猜平均值」(圖中橘線)。這是你的考試及格線。
你的誤差 (分子)：你辛苦建立的模型所產生的殘差 (圖中紅塊)。
公式邏輯：這是一個「進步幅度」的考試。
單位雖然一樣，但對「犯錯」的容忍度完全不同。
MAE 是眾生平等，RMSE 是嚴懲重罪。
請看下方數學案例：
| 情境 | 誤差值 | MAE (平均) | RMSE (根號) |
|---|---|---|---|
| A. 平穩型 | 5, 5 | 5.0 | 5.0 |
| B. 暴起暴落 | 0, 10 | 5.0 | 7.07 ⬆ |
情境 A 和 B 的 MAE 都是 5，看起來一樣好。
但 RMSE 發現情境 B 有一個大錯 (10)，先平方放大後再開根號，數值飆升到 7.07。
結論：如果你不能容忍極端錯誤(如自駕車)，請看 RMSE。
MAE、MSE、RMSE、R² 是迴歸的核心評估指標,iPAS 中級科目三必考。重點:MAE 穩健易解讀、MSE 與 RMSE 對大誤差(離群)懲罰更重、R² 看解釋了多少變異(越接近 1 越好)。易混點:RMSE 單位與目標一致比 MSE 好讀;R² 會隨變數增加虛高、要看調整後 R²、且可為負;在意大錯用 RMSE、要穩健用 MAE。情境:選對迴歸指標、解讀模型表現。
想練情境題與詳解 → AI 學習與考證地圖
迴歸(預測連續數值)模型的誤差指標，衡量預測與真實差多少；不適用於分類(分類看準確率、F1 等)。
MAE 是平均絕對誤差(對離群值較穩健、單位同原值)；MSE 是平均平方誤差(放大大誤差、單位是平方)；RMSE 是 MSE 開根號(放大大誤差但單位回到原值，較好解讀)。
因為先平方，大誤差被放得更大，模型會更努力修正少數極端點；若資料有離群值且不想被主導，MAE 較合適。
表示模型解釋了多少資料變異，1 為完美、0 等於只用平均值預測、可能為負(比直接猜平均還差)。它無單位、便於跨資料比較。
想要好解讀、單位一致用 RMSE；在意離群值穩健用 MAE；要看解釋力或相對好壞用 R²；實務常同時報告多個。