均方误差(MSE)是用来评估模型在数据集上的表现的一个重要指标，其计算方式是将每个样本的预测值与真实值之差的平方求和后再取平均。因此，均方误差越小模型表现越好。()A. 错B. 对

均方误差（MSE）是回归模型常用的评估指标，其核心思想是计算预测值与真实值之间差异的平方的平均值。由于平方操作会放大较大的误差，MSE对异常值敏感，且值越小表示模型预测越准确。题目中的描述准确反映了MSE的定义和性质，因此判断正确。

1. MSE的定义：
   均方误差的公式为：
   $\text{MSE} = \frac{1}{n}\sum_{i=1}^{n}(y_i - \hat{y}_i)^2$
   其中，$y_i$是真实值，$\hat{y}_i$是预测值，$n$是样本数。
   题目中“平方求和后取平均”的描述与公式一致。

2. MSE的性质：

   • 平方操作确保误差非负，且较大误差对结果影响更显著。
   • 取平均使结果具有可解释性，便于不同模型间比较。
   • 值越小越好：MSE越小，说明预测值与真实值越接近，模型表现更优。

题目描述完全符合MSE的定义和特性，因此答案为B（对）。