# RMSE 与离群点

## 元数据

- 书名：百面机器学习：算法工程师带你去面试
- 作者：葫芦娃
- 章节：第 2 章 模型评估
- 页码线索：025
- 目标岗位：AI PM / LLM 产品 / 算法工程师面试
- 优先级：P1
- 标签：evaluation, regression, outlier

## 面试问题

为什么 RMSE 可能被少量异常点拖垮？

## 30 秒回答

RMSE 对大误差平方放大，因此少量离群点就可能显著拉高指标。需要判断离群点是噪声、业务事件还是模型能力缺口，再选择清洗、建模或更鲁棒指标。

## 展开要点

- RMSE 适合惩罚大误差，但对 outlier 敏感。
- MAPE、MAE、分位数误差等指标在部分场景更鲁棒。
- 异常点不能一删了之，要先判断是否代表关键业务场景。
- 流量预测常有突发事件、冷启动和季节性问题。

## 高频追问

- MAE、MSE、RMSE、MAPE 有什么区别？
- 异常值是噪声还是信号怎么判断？
- 如何对突发流量建模？

## 项目映射

- 用活动峰值、热点新闻、爆款内容解释 outlier 处理。
- LLM 产品可迁移为：少量高风险失败比平均分更重要。

## AI PM 迁移

AI PM 要关注 tail risk：平均体验好不代表关键用户、关键任务、关键时刻安全。

## 备注

本卡为面试复习用的概念重构和答题框架，不保存原书正文。