两个模型，一个数字，截然相反的现实。想象一个传感器正在记录地震背景、电力负荷或桥梁应变，而你已经训练了一个模型来预测下一个值。它给出一个单一数字：0.5。阈值τ=1.0触发警报。你应该担心吗？你无法回答，因为模型缺乏告诉你它知道什么的方式。

想象两个模型在同一个时间步预测x^=0.5，MSE精确到小数点后三位完全相同。按照标准指标，它们可以互换。但事实并非如此。模型A看到一个紧密的分布：x ~ N(0.5, 0.01²)。1.0处的阈值距离50个标准差——警报不会触发。模型B看到一个宽泛的分布：x ~ N(0.5, 2.0²)。阈值仅距离0.25个标准差——大约40%的跨越概率。

相同的预测，相同的MSE，相同的测试集。但风险约为0%对约40%。如果决定疏散、改道电力或标记探测器事件，这些是截然相反的结论。MSE无法区分它们。

问题不在于模型损坏；两者都预测了正确的均值。一个单一数字无法表达“我确定”与“我在猜测”。这是损失函数的直接后果。我们将剖析为什么MSE只给你均值而丢弃其他一切，用什么来替代它，以及代价是什么。

FAQ：为什么MSE无法区分自信的模型和不确定的模型？

MSE只测量预测值与真实值之间的平均平方差。它将关于条件分布的所有信息压缩为一个单一数字，丢弃了不确定性。两个具有相同均值预测但方差截然不同的模型将具有相同的MSE，但对风险的含义却截然相反。

FAQ Q：为什么MSE无法区分自信的模型和不确定的模型？

FAQ A：MSE只测量预测值与真实值之间的平均平方差。它将关于条件分布的所有信息压缩为一个单一数字，丢弃了不确定性。两个具有相同均值预测但方差截然不同的模型将具有相同的MSE，但对风险的含义却截然相反。