rmse对异常值更敏感，因误差先平方再开方，大误差被放大；mae用绝对值平均，变化平缓，更能反映典型误差水平。
RMSE和MAE到底哪个更“敏感”
RMSE对异常值更敏感，因为误差先平方再开方，大误差会被放大；MAE是绝对值平均，变化平缓。如果你的数据里有离群点（比如预测房价时混入一个超高价样本），RMSE会明显跳升，而MAE可能只轻微上浮——这不是公式“错”，而是它在告诉你：模型在少数样本上犯了大错。
实操建议：
- 用
RMSE判断整体拟合稳定性，尤其在回归任务上线前做压力测试 - 用
MAE看模型在多数样本上的典型误差水平，更适合业务侧理解（比如“平均差±5万元”比“RMSE=12.3万元”更直观） - 别只报一个指标，
sklearn.metrics.mean_squared_error(y_true, y_pred, squared=False)能直接算RMSE，但注意squared=False是v0.22+才支持的参数，老版本得手动开方
sklearn里mean_squared_error默认算的是MSE不是RMSE
这是最常踩的坑：mean_squared_error函数名带“squared”，默认返回的是MSE（均方误差），不是RMSE（均方根误差）。很多人复制粘贴完一跑，发现数值比预期大一个量级，其实是忘了开方。
正确做法：
- 要RMSE：加
squared=False参数，如mean_squared_error(y_true, y_pred, squared=False) - 老版本（np.sqrt(mean_squared_error(y_true, y_pred))
-
mean_absolute_error则没这问题，它默认就是MAE，不用额外处理
用numpy手算RMSE/MAE时要注意数组形状和dtype
自己写公式看着简单，但实际容易因广播或类型隐式转换出错。比如用np.array读y_true时若含NaN，np.sqrt(np.mean((y_true - y_pred) ** 2))会返回nan，而sklearn默认会抛错提示，反而更容易发现问题。
关键细节：
- 确保
y_true和y_pred是同shape的一维数组，二维时别漏掉axis=0或axis=1 - 如果用
float32计算RMSE，平方后可能溢出（尤其误差本身很大时），建议统一转float64 - 手算MAE时，
np.abs(y_true - y_pred).mean()比np.mean(np.abs(...))略快，但差别微乎其微，可忽略
多输出回归时RMSE/MAE怎么解释
当预测多个目标（比如同时预测温度、湿度、气压），sklearn的mean_squared_error默认按样本平均，即先对每个样本算各目标的MSE再平均——这会掩盖某个目标表现极差的问题。
更稳妥的做法：
- 设
multioutput='raw_values'，得到每个目标的独立RMSE/MAE，再人工对比 - 如果想加权评估（比如温度误差比湿度重要3倍），得自己实现：先算各目标误差，再加权平均，
sklearn不提供内置加权接口 -
multioutput='uniform_average'是默认行为，但别误以为它“更权威”，只是简化处理
误差指标本身不解决模型偏差，它只诚实反映当前预测和真实值的距离。真正难的，是看懂那个突然变大的RMSE背后，到底是数据漂移、特征失效，还是某类样本根本没被学好——这些没法靠改参数绕过去。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
