MSE(Mean Squared Error)公式用于度量预测值与真实值之间的差异，公式如下：
MSE = 1/n * Σ(yᵢ - ŷᵢ)²
其中，MSE 是均方误差（Mean Squared Error）， n 是总样本数，yᵢ 是数据集中第 i 个样本的真实值，ŷᵢ 是此样本的预测值。
MSE 公式可以用来评价回归模型的好坏, 因为它会衡量出真实值与预测值之间的误差大小, 并对其平方求和求平均值. 如果MSE较小，则说明我们的模型在预测上的表现比较准确; 反之，如果MSE较大，则代表模型的表现很差，真实值与预测值之间的差距很大。
有的时候我们也会看到均方根误差 RMSE (Root mean squared error) 的概念，其公式为 RMSE=sqrt(MSE). 这里MSE 是均方误差，RMSE是均方根误差。两个概念都是衡量真实值与预测值之间误差大小的一种方法，但用途不太一样，RMSE 更适合用来处理量纲一致的情况。 对于多维模型而言，MSE还可以用于多维拟合函数
（multidimensional fitting function）。因为MSE可以有效地度量观测值和拟合模型之间的偏差，并以这种方式使用多维模型优化拟合模型参数。
总的来说，MSE比较容易测量和计算，是比较常用的一种模型评价指标，可以用于衡量模型对数据的拟合状况，也是优化多维模型参数的有效方法。
因篇幅问题不能全部显示，请点此查看更多更全内容