某連鎖量販店計劃導入 AI 銷量預測系統，以優化每日進貨與庫存管理。團隊比較兩家軟體廠商提供的迴歸模型，兩個模型皆以相同的測試資料集進行評估，其中廠商甲模型的均方誤差（Mean Squared Error, MSE）為 12.5，廠商乙模型的均方誤差（MSE）為 42.0。僅依據 MSE 指標的數值與定義來評估模型表現，下列何者最適合作為模型評估結果的說明？
答案 （A）
核心概念
均方誤差越小，預測跟實際差得越少，同一份測試資料下直接比大小。
均方誤差（Mean Squared Error, MSE）＝ 每筆「預測值減實際值」平方後的平均。平方讓大誤差被放大，所以它對離譜的預測特別敏感。只要兩個模型用同一份測試資料，MSE 就能直接比，數字小的比較準。
答題技巧
快速判斷技巧：誤差類指標一律「越小越好」，同一份測試資料就直接比。 ・MSE、MAE、RMSE → 越小越準 ・準確率、F1 分數 → 越大越好 ・MSE ＞ 0 → 正常，任何模型都會有誤差
易錯陷阱：(D) 用「過擬合」這個專有名詞包裝，看起來很專業。 關鍵差異：過擬合要比較訓練誤差跟測試誤差的落差，單看一個 MSE 數字看不出來。 警訊詞：「皆大於 0 代表⋯」這種把正常現象講成問題的句子，直接排除。