均方根误差 (RMSE)
Parent: ai_keywords
均方根误差 (Root Mean Square Error, RMSE)
核心定义
均方根误差是回归任务中最常用的评估指标之一，定义为预测值 (\hat{y}_i) 与真实值 (y_i) 之间偏差的平方平均数的平方根。其数学表达式为：
[ RMSE = \sqrt{\frac{1}{n} \sum_{i=1}^{n} (\hat{y}_i - y_i)^2} ]
RMSE 的单位与原始变量相同，能直观反映预测误差的绝对大小。由于对误差进行平方处理，该指标对大偏差赋予更高权重，因此对异常值极为敏感。
关键技术点
- 对异常值的高敏感性：平方项使较大误差在总和中被指数级放大。当数据中存在少数严重偏离的预测点时，RMSE 会急剧上升，这使其成为检测模型鲁棒性的有力工具，但也可能导致对正常波动的过度反应。
- 与平均绝对误差 (MAE) 的对比：MAE 对所有误差一视同仁，线性加权；RMSE 则呈现二次加权。若同一数据集上 RMSE 显著大于 MAE，表明误差分布存在较高方差（存在离群点）。两者无绝对优劣，需结合任务选择。
- 归一化处理 (NRMSE)：为消除量纲影响，常将 RMSE 除以观测值均值、极差或标准差，得到归一化均方根误差 (NRMSE)，便于跨变量或跨研究比较。
- 与损失函数的联系：在最小二乘法和许多神经网络回归目标中，损失函数即为均方误差 (MSE)，RMSE 是其平方根变换，保持单调性不变。模型训练常直接优化 MSE，评估时则采用 RMSE 以还原原始尺度。
医学/神经科学应用场景
基于深度学习的癫痫发作预测——首都医科大学神经病学研究团队在构建癫痫患者发作前预警模型时，常采用头皮脑电图 (EEG) 的高维特征（如功率谱、相位锁定值）作为输入，输出为未来一定时间窗内的发作概率或预测剩余时间。
在此任务中，RMSE 被用于量化模型预测的发作起始时刻与实际发作时刻之间的偏差（单位：秒）。若模型预测某次发作发生在倒计时 60 秒时，而实际上发作在 70 秒后出现，则误差为 10 秒。平方求和后得到的 RMSE 能敏锐捕捉到少数预测严重滞后的高代价错误（例如误判导致无法及时施药），从而指导模型在损失函数中增加对远偏离样本的惩罚权重。该团队还可能对比不同神经网络架构（如 CNN-LSTM 与 Transformer）在相同患者数据集上 RMSE 的差异，筛选出最稳健的个体化预警方案，并进一步计算 NRMSE 以消除不同患者发作记录时长不同带来的比较偏差。
