均方误差（Mean Squared Error, MSE）是衡量估计量与被估计量之间差异程度的一种指标。它的计算公式如下：
\[ MSE = \frac{1}{n} \sum_{i=1}^{n} （y_i - \hat{y}_i）^2 \]
其中：
\（ n \） 是样本数量。
\（ y_i \） 是第 \（ i \） 个真实值。
\（ \hat{y}_i \） 是第 \（ i \） 个预测值。
均方误差的计算步骤如下：
1. 计算每个样本的真实值与预测值之间的差值，即 \（ y_i - \hat{y}_i \）。
2. 将这些差值平方，得到 \（ （y_i - \hat{y}_i）^2 \）。
3. 将所有平方的差值求和，即 \（ \sum_{i=1}^{n} （y_i - \hat{y}_i）^2 \）。
4. 将求和结果除以样本数量 \（ n \），得到均方误差 \（ MSE \）。
均方误差越小，表明预测值与真实值之间的偏差越小，模型的预测精度越高。
建议
在实际应用中，均方误差常用于评估回归模型的性能，特别是在金融领域（如股票预测、回归分析等）。通过比较不同模型的均方误差，可以选择最优的模型来进行预测和分析。