统计中的均方误（mean square error）是什么?如何计算？谢谢

是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。也是方差的算术平方根，能反映一个数据集的离散程度，平均数相同的，标准差未必相同。

例如：

X是真实数据，Y是预测数据，共有N个

那么MSE = sum((X-Y).^2)/N

扩展资料：

注意事项

考虑两个3×3的数组，可以理解为两张3×3的图片，如下：

a = tf.constant([[4.0, 4.0, 4.0], [3.0, 3.0, 3.0], [1.0, 1.0, 1.0]])

b = tf.constant([[1.0, 1.0, 1.0], [1.0, 1.0, 1.0], [2.0, 2.0, 2.0]])

print(a)

print(b)

以上打印出来的结果如下：

Tensor("Const_16:0", shape=(3, 3), dtype=float32)

Tensor("Const_17:0", shape=(3, 3), dtype=float32)

而如果要得到具体的类似array形式的值，则需要用到sess.run:

with tf.Session() as sess:

    print(sess.run(a))

    print(sess.run(b))

得到：

[[4. 4. 4.]

 [3. 3. 3.]

 [1. 1. 1.]]

[[1. 1. 1.]

 [1. 1. 1.]

 [2. 2. 2.]]

MSE 顾名思义 平均 平方 误差

X是真实数据 Y是预测数据 共有N个

那么 MSE = sum((X-Y).^2)/N

标准差（Standard Deviation） ，也称均方差（mean square error），不是均方误，是各数据偏离平均数的距离的平均数，它是离均差平方和平均后的方根，用σ表示。标准差是方差的算术平方根。标准差能反映一个数据集的离散程度。平均数相同的，标准差未必相同。

计算方法在图片上

做了这么多年的统计,只知道平均方差,平均误差,还真的不知道什么是均方误,不能帮你了