什麼是均方誤差？
均方誤差（Mean Squared Error，簡稱 MSE）是衡量一組預測值與實際觀測值有多接近的常用指標之一。它計算每個預測值（\hat{y}）與對應實際值（y）之間差距的平方，再取平均。由於誤差經過平方處理，較大的偏差會被加重懲罰，而小誤差的影響相對輕微；計算結果永遠不會是負數——完美的模型分數正好是 0。
如何使用這個計算器
請將你的實際值與預測值分別以逗號分隔的方式輸入兩個欄位。兩份清單的數量應該相同，且每個預測值要與相同位置的實際值一一對應。計算器會依序配對，逐一計算每組的平方誤差，最後回傳 MSE，並一併提供相關的 RMSE（均方根誤差）與 SSE（誤差平方和）。若兩份清單長度不一致，只會採用能成功配對的部分。
公式解析
MSE 的公式為
MSE = ((1) ÷ (n))\sum_{i=1}^{n}≤ft(y_i - \hat{y}_i\right)^2
。對每一筆資料，先用實際值減去預測值，再將差值平方，接著把所有平方誤差加總（這就是 SSE），最後除以資料筆數 n。將 MSE 開平方根即可得到 RMSE，這個指標的方便之處在於它與原始資料使用相同的單位。
實際範例
假設實際值為 3、−0.5、2、7，而預測值為 2.5、0.0、2、8。各組誤差為 0.5、−0.5、0、−1。平方後得到 0.25、0.25、0、1，加總為 1.5（即 SSE）。再除以 n = 4，得到 MSE 為 0.375，而 RMSE 則為 √(0.375) ≈ 0.6124。
使用注意事項與精準校對原則（6 大核心守則）
📐 1. 嚴格對齊輸入量綱與單位
輸入各項數值時請務必確認量綱（例如小時、天數、金額、百分比），避免單位不匹配引發推算偏差。
🔒 2. 純前端本機毫秒級隱私保障
所有計算邏輯 100% 在您的終端瀏覽器內完成，資料絕不上傳伺服器，嚴格守護商業與個人隱私。
📊 3. 符合公認學術與產業計算模型
演算法嚴格遵循國際通用數學公式與標準計算模型，經多重情境交叉核對，數值嚴密精確。
📋 4. 一鍵複製與免登入 PDF 匯出
支援一鍵複製推算結果字串至剪貼簿，亦可直接點擊列印按鈕輸出純淨 PDF 工作報表。
🔄 5. 多情景敏感度動態對比
建議針對極端值與多組預期情景分別試算，觀察輸出數據的波動區間，輔助做出更穩健的決策。
🛡️ 6. 專業諮詢與日常參考免責聲明
本工具運算結果供日常排程、學業研習與事前參考之用，如涉及重大法規或投資決策請諮詢持證專家。
常見問題 (FAQ)
MSE 多少才算好？
並沒有一個通用的標準門檻——MSE 會隨著資料的尺度而變化。數值越低越好，0 代表完美擬合。建議將它與其他替代模型，或與目標變數的變異數相互比較。
MSE 與 RMSE 有什麼差別？
RMSE 其實就是 MSE 的平方根。在報告結果時通常更偏好使用 RMSE，因為它與資料採用相同單位，更容易解讀。
為什麼要把誤差平方，而不是取絕對值？
平方能讓函數變得平滑且可微分（對最佳化很有幫助），同時加重懲罰較大的誤差。另一種替代指標——平均絕對誤差（MAE）——則是以線性方式看待所有誤差。