Loss Function vs Evaluation Metric（重要）

一句話理解

Loss 用來訓練模型，Metric 用來評估模型，兩者不一致會讓模型優化方向跑偏。

使用時機

需要設計或評估模型時，必須先確認 Loss 和 Metric 是否對齊。

核心對比

項目	Loss Function	Evaluation Metric
用途	訓練模型時優化	評估模型好壞
時機	訓練過程中	訓練完成後
例子	MSE	MAPE、MAutoEncoder、Regression評估指標-MAE-MSE-RMSE-MAPE

⚠️ 核心警告：兩者不一致會出問題

情境：用 MSE 訓練人流預測模型，但評估用 MAPE

MSE	MAPE
看「誤差平方」	看「相對比例」
對大數值敏感	對小數值敏感

→ 兩個優化方向不同！Loss 很低，但 MAPE 很差。

正確做法

1. 選對 Loss：讓 loss 與 metric 接近（要 MAPE → 考慮 MAE 或自定 loss）
2. 多指標觀察：訓練用 MSE，評估用 MAE + RMSE + MAPE
3. Custom Loss（進階）：自己設計 loss function

---

MMSAI2 | Regression評估指標-MAE-MSE-RMSE-MAPE