最小平方誤差

最小平方誤差（Minimum Squared Error, MSE）是一種用於衡量數據樣本與模型預測值之間差異的方法。在統計學和機器學習中，MSE被廣泛套用於評估模型的預測性能。它是通過計算所有樣本的誤差平方和，然後除以樣本數量來得到的。

MSE的計算公式如下：

[ MSE = \frac{1}{n} \sum_{i=1}^{n} (y_i - \hat{y}_i)^2 ]

其中，$y_i$表示實際觀測值，$\hat{y}_i$表示模型預測值，$n$表示樣本數量。

最小化MSE是線性回歸模型和其他一些機器學習算法（如支持向量機、決策樹等）的最佳化目標。通過最小化MSE，我們可以找到最佳的模型參數，使得模型的預測值與實際觀測值之間的差異最小。

除了MSE，還有其他一些用於評估模型性能的指標，如均方根誤差（Root Mean Squared Error, RMSE）、平均絕對誤差（Mean Absolute Error, MAE）和精確度（Accuracy）等。這些指標各有優劣，選擇合適的評估指標需要根據具體問題和數據的特點來決定。