本来主要介绍机器学习中常见的损失函数MSE的定义以及它的求导特性。
数理统计中均方误差是指参数估计值与参数值之差平方的期望值，记为MSE。MSE是衡量“平均误差”的一种较方便的方法，MSE可以评价数据的变化程度，MSE的值越小，说明预测模型描述实验数据具有更好的精确度。
SSE（和方差）
在统计学中，该参数计算的是拟合数据和原始对应点的误差的平方和，计算公式为：
其中
是真实数据， 是拟合的数据， ，从这里可以看出SSE接近于0，说明模型选择和拟合更好，数据预测也越成功。
MSE（均方方差）
该统计参数是预测数据和原始数据对应点误差的平方和的均值，也就是
，和SSE没有太大的区别，计算公式为：
其中，n为样本的个数。
RMSE
该统计参数，也叫回归系统的拟合标准差，是MSE的平方根，计算公式为：
Mean-Squared Loss的概率解释
假设我们的模型是二维平面的线性回归模型：
，对于这个模型，我们定义损失函数为MSE，将得到如下的表达式：
下面我们试着通过概率的角度，推导出上述的MSE损失函数表达式。
在线性回归模型中，我们最终希望对于输入
进行线性组合得到值Y，考虑到输入带有噪声的情况的表达式如下：
为了使模型更合理，我们假设
服从均值为0，方差为1的高斯分布，即 。所以有：
所以，Y服从均值为
，方差为1的高斯分布，则样本点的 概率为：
有了单个样本的概率，我们就可以计算样本集的似然概率，我们假设每个样本是独立的：
对似然函数取对数，得到对数似然函数：
这个对数似然函数的形式和我们的MSE损失函数的定义是一样的。所以，使用MSE损失函数意味着，我们假设我们的模型是对噪声的输入做估计，该噪声服从高斯分布。
损失函数效果
缺点
使用MSE的一个缺点就是其偏导值在输出概率值接近0或者接近1的时候非常小，这可能会造成模型刚开始训练时，偏导值几乎消失。
假设我们的MSE损失函数为：
，偏导为： ，其中为。可以看出来，在 值接近0或者1的时候， 的值都会接近于0，其函数图像如下：
这导致模型在一开始学习的时候速率非常慢，而使用交叉熵作为损失函数则不会导致这样的情况发生。
参考
[1]. Picking Loss Functions - A comparison between MSE, Cross Entropy, and Hinge Loss
如果觉得《均方误差mse均方根误差rmse_损失函数 - MSE》对你有帮助，请点赞、收藏，并留下你的观点哦！
