Некоторые факторы, которые делают среднеквадратическую ошибку (MSE) плохим показателем производительности модели:

• Чувствительность к выбросам. 1 Это может быть недостатком, если данные содержат много шума или аномалий. 1
• Неравномерные веса ошибок. 1 MSE присваивает больший вес большим ошибкам, что нежелательно в некоторых случаях, когда все ошибки важны. 1
• Ложный вывод о плохой работе модели. 3 Если на одном или нескольких неудачных примерах, возможно, содержащих аномальные значения, будет допущена значительная ошибка, то возведение в квадрат приведёт к ложному выводу, что вся модель работает плохо. 3
• Недооценка слабости модели. 3 Если модель даст небольшие ошибки на большом числе примеров, то может возникнуть обратный эффект — недооценка слабости модели. 3

Таким образом, MSE подходит для сравнения двух моделей или для контроля качества во время обучения, но не позволяет сделать выводов о том, насколько хорошо данная модель решает задачу. 4