RMSE和LOS

@猫猫酱

这俩算法的最终目的都是找最小的平方和（least squared）。RMSE是比较各个模型模拟出的结果和实际结果的error，把error平方后加和，选那个error平方和最小的模型。这就是一个简单的加和的过程。

OLS是在给出一系列散点的基础上，找一条直线，可以使得这条直线上的每个点到真实点的error加和后平方和最小。这是个找直线的过程。不能简单加减，而是通过无数次模拟试错后得到的。

所以我感觉不能说这两个算法很像，可能看起来像的原因是最终目的一样，但过程不同，算法的应用场景也不同。所以也不会拿这两种方法来进行比较。

怎么这俩算法那么像？这是为什么呢？

同学你好，

这两个方法应用方向是不同的，彼此之间没有固定关系。

OLS是估计回归方程系数的方法，只是估计系数，不去衡量最终模型的好坏；RMSE是衡量模型好不好的评估手段，RMSE不估计模型的系数，除了可以检验回归方程以外也可以检验其他模型；

RMSE中需要使用out of sample数据，与此对应的是不能使用in-sample数据，因为不能用自己（in sample数据）检验自己（in sample数据做出来的模型）。