藍色的斜線代表機器學習模型預測的趨勢（y_pred）。
深灰色的點點代表現實世界中實際發生的數據（y_true）。
均方誤差(MSE)是迴歸最常用的損失與評估指標,iPAS 中級科目三常考。重點:預測與真實差的平方取平均,平方讓正負不抵消、且可微利於梯度下降。易混點:MSE 對離群值極敏感(平方放大少數極端錯誤),有離群時可改用 MAE 或 Huber;RMSE 是 MSE 開根號、單位與目標一致更好解讀。注意:分類不用 MSE(配 Sigmoid 易梯度消失),應用交叉熵。
想練情境題與詳解 → AI 學習與考證地圖
均方誤差，預測與真實值差的平方取平均；迴歸常用損失與評估指標，越小越好，但對離群值敏感。
平方讓正負誤差不抵消、放大大誤差(更重懲罰離群)，且數學上可微、利於梯度下降優化。
RMSE 是 MSE 開根號，單位與目標一致、較好解讀；兩者排序一致，RMSE 常用於報告、MSE 常用於優化。
對離群值非常敏感(平方放大)，少數極端錯誤會主導；資料有離群時可考慮 MAE 或 Huber 損失。
在意大誤差、希望重罰離群用 MSE；希望穩健、各誤差等量看待用 MAE；Huber 則折衷兩者。