在数据分析和模型评估中，准确衡量预测值与真实值之间的差距至关重要。常用的误差指标包括均方误差（MSE）、平均绝对百分比误差（MAPE）和均方根误差（RMSE）。这些指标能够帮助我们全面了解模型的表现。

首先，MSE计算的是预测值与实际值差值的平方平均值，公式为：\[ MSE = \frac{1}{n}\sum_{i=1}^{n}(y_i-\hat{y}_i)^2 \]，其中\( y_i \)是真实值，\( \hat{y}_i \)是预测值。其次，MAPE通过百分比形式展示误差大小，公式为：\[ MAPE = \frac{1}{n}\sum_{i=1}^{n}|\frac{y_i-\hat{y}_i}{y_i}|100\% \]。最后，RMSE是对MSE开平方后得到的结果，更直观地反映误差幅度。

以下是MATLAB代码示例：

```matlab

function [mse, mape, rmse] = error_analysis(y, y_hat)

n = length(y);

mse = mean((y - y_hat).^2);

mape = mean(abs((y - y_hat)./y)) 100;

rmse = sqrt(mse);

end

```

上述代码简洁高效，可直接用于各类数据集的误差评估！💡