ＲＭＳＥ（Ｒｏｏｔ ｍｅａｎ ｓｑｕａｒｅ ｅｒｒｏｒ）
问题描述：
一家流媒体公司，拥有众多的美剧资源，预测每部美剧的流量趋势对于广告投放，用户增长都非常重要。
我们希望构建一个回归模型来预测某部美剧的流量趋势，但无论采用哪种回归模型，得到的ＲＭＳＥ指标都非常高。然后事实是，模型在９５％的时间区间内预测误差都小于１％，取得了相当不错的预测结果。那么造成ＲＭＳＥ指标居高不小的最可能的原因是什么？
ＲＭＳＥ经常用来衡量回归模型的好坏，但按照题目的叙述，ＲＭＳＥ失效了。
公式：
一般情况下，ＲＭＳＥ能够很好地反映回归模型预测值与真实值得偏离程度，。但在实际应用中如果存在个别偏离程度非常大的离群点时，即使离群点数量非常少，也会让ＲＭＳＥ指标变得很差。
回到问题本身，模型在９５％的时间内预测误差都小于１％，，这说明，在大部分的时间区间内，模型的预测效果都是非常优秀 的。然后ＲＭＳＥ一直很差，这很可能是由于在其他的５％的时间内存在非常严重的离群点。
针对这个问题，可以从三个角度去解决。
一：如果我们认为这些离群点是“噪声点”的话，就需要在数据预处理的阶段把这些噪声点过滤掉。
二：如果不认为这些离群点是“噪声点的话”，就需要进一步提高模型的预测能力，将离群点产生的机制建模进去（这个话题很宏大）
三：可以找一个更合适的指标来评估该模型。关于评估指标，其实存在比ＲＭＳＥ的鲁棒性更好的指标，比如平均绝对百分比误差（ＭＡＰＥ ｍｅａｎ ａｂｓｏｌｕｔｅ ｐｅｒｃｅｎｔ ｅｒｒｏｒ）
ＭＡＰＥ＝
相比于ＲＭＳＥ，ＭＡＰＥ相当于把每个点的误差进行了归一化，降低了个别离群点带来的绝对误差的影响。